Bi-Iocane envenena detectores de malware baseados em ML explorando divergência entre rótulos de antivírus e features de aprendizado
O framework Bi-Iocane mostra que pequenas alterações de bytes conseguem mudar o veredito de motores de antivírus sem alterar de forma relevante a representação que detectores de machine learning enxergam, abrindo uma janela de envenenamento de dados de treino. Com um orçamento de apenas 0,06% de amostras manipuladas por alvo, o ataque chegou a 92,08% de misclassificação em alvos limpos, e a validação no VirusTotal confirma o risco tanto de evasão quanto de difamação de software legítimo em pipelines reais de rotulagem AV-para-ML.
Fonte ↗