针对机器学习Webshell检测模型的对抗补丁研究

机器学习、深度学习技术已经被广泛应用于检测Webshell,并且表现出色。然而机器学习应用于安全核心业务的风险并没有得到业界足够的重视,尤其是对抗样本的存在风险。文章揭示了一种针对Webshell检测模型的低成本、高成功率的对抗样本构造方法,并设计了一系列指标评价这种对抗样本的风险水平。实验结果显示,该方法对不同的Webshell检测模型均构成威胁,具有极高的攻击成功率以及通用性。文章最后探讨了安全类型机器学习系统应对此类风险的对策,希望能够对研究如何防御此类风险以及提高模型的鲁棒性和安全性带来启发,促进机器学习技术更广泛应用于安全领域。