基于学习的对抗者签名生成的局限性

自动签名生成是必要的，因为在发现漏洞和开发针对漏洞的攻击之间往往只有很少的时间。许多研究工作集中在模式提取技术上以生成签名。这些技术包括寻找单个大型不变子串以及寻找多个短不变子串。模式提取技术的吸引力在于可以高效生成和匹配签名，以前的工作已证明在攻击中存在不变量。本文展示了在对抗性环境下，模式提取算法在签名生成方面的准确性存在的基本限制。我们制定了一个框架，允许对这些算法进行统一分析，并通过展示如何调整学习理论的结果，证明任何模式提取学习算法在常见假设下必须犯错的下限。虽然以前的工作针对特定算法，但我们的工作通过理论分析将这些攻击推广到任何具有类似假设的算法，而不仅仅是迄今为止开发的技术。我们还分析了模式提取算法何时可能起作用，通过展示这些下限减弱的条件。我们的结果同样适用于其他类型的签名生成算法，包括那些利用可以被操纵的漏洞属性的算法。