# Adversarial Attack Approaches to Measure the Robustness of IoT Malware Detectors

* 論文的論述：
Adversarial attack vector
惡意程式每天上百萬支變異產生，越來越多ML-BASE的檢測器，且偵測率越來越高。
針對ML-BASE的檢測器進行分析，有效量測量化IoT Detector強韌性。（反思ML-BASE的檢測器的不足）

* 對抗式攻擊的方法：
子揚攻擊透過4種generate four types of attack opcodes while preserving the original functionality（attack vector），Binary的方式Inject payload泛用性更高。
* 攻擊演算法：
Hill climbing algorithm
With 4 types: Single block、Loop、Transform opcode、Arithmetic opcode
需要額外增加Opcode 打法論述，對於後面的Detector的評估面向比較完整

* 實驗的比較 detector accuracy / attack success rate / number of attacks achieve 疊代次數多少會達0.5：

| Detector | ML | | | DL | | | |
| -------- | ------- | ------------- | --- | --- | ---- | --- | --- |
| | XGBoost | Random Forest | SVM | DNN | LSTM | CNN | RNN |
| Opcode | | | | | | | |
| n-gram | | | | | | | |
| Opcode+ CFG | | | | | | | |
| CFG | | | | | | | |
| FCG | | | | | | | |
| System Call | | | | | | | |

Dataset取法，取Marai（Angr），malware / benign各取一半

論文章節：
1. Introduction
2. Model Overview
描述dataset的取法，子揚取的17個Features當作Model Train的baseline（歐陽）以及related work（如果來得及再補充）
3. Evaluation
描述各種模型受到攻擊後的實際結果。
4. Conclusion
評論本次攻擊的實際情形，並評論哪一種演算法（Detector）的Robustness相對較佳。