Les techniques stéganographiques sont employées dans de nombreux domaines, et notamment dans le domaine de la dissimulation d’information sensible ou de la protection de la propriété intellectuelle. Cette technologie consiste à intégrer dans un flux d’information légitime – une image, une vidéo, une archive, ou tout autre médium – un message dont la présence ne doit pas être soupçonnée et encore moins intelligible. Plus récemment et pour un usage plus conventionnel, ces techniques peuvent être employées afin de dissimuler des codes malveillants et ainsi tromper les technologies d’analyse statique des anti-virus.
Stéganographie et technologies de malware sur plateforme WEB
Les modèles d’attaque que nous désirons étudier dans ce projet est l’utilisation de malwares dans le but d’exfiltrer des informations sensibles ou à provoquer une escalade de privilège (affectant l’intégrité du système) en utilisant les vulnérabilités des navigateurs. L’étude de ces vulnérabilités est en dehors du périmètre de ce projet, mais les techniques stéganographiques [1,3] employées dans ce domaine cherchent à cacher ces exploits au sein de pages web ou de fichiers multimédias d’apparence anodine.
La technique d’attaque par stéganographie [2] utilise typiquement l’approche suivante :
- une page web intègre un code (type javascript) qui demande le chargement d’une image, image vue et analysée comme une image conforme par tout programme de lecture ou de galerie d’image,
- le code de déclenchement doit sembler légitime et ne pas intégrer d’éléments composant un malware,
- la complexité du décodage doit être modeste, les capacités de calcul de la cible étant inconnues, l’empreinte mémoire et CPU du décodeur doivent passer inaperçu.
Objectif du projet, et mise en œuvre par les nouvelles technologies disponibles
Au regard de l’analyse de l’état de l’art, l’objectif du projet est d’évaluer la faisabilité d’une attaque par malware masquée par une stéganographie à base de machine learning.
La potentialité d’une telle attaque est de plus en plus forte depuis l’apparition de bibliothèques de deep-learning utilisant les capacités de calcul numériques des GPU présents et accessibles pour les navigateurs en utilisant les extensions WebGL 2.0 [4]. Cette technologie est aujourd’hui disponible avec la plateforme TensorFlow.js [5] qui propose apparemment l’ensemble des primitives nécessaire à la mise en œuvre de l’approche : création des tenseurs, décodage de l’image.
Le principal résultat attendu serait de fournir les arguments scientifiques qui nous permettraient de décider s’il est pertinent de mettre en œuvre cette méthode et de développer les contres mesures adéquates. L’évaluation du risque pourra se faire par différentes approches scientifiques, par exemple :
- l’analyse des éventuelles limites techniques à l’usage des techniques WebGL pour le machine-learning dans le cas des malwares – en intégrant les éventuelles évolutions technologiques,
- l’évaluation mathématique de la complexité numérique en intégrant les simplifications potentielles qui garderaient acceptable le niveau de robustesse,
Références
[1] K. A. Zhang, A. Cuesta-Infante, and K. Veeramachaneni. Steganogan: Pushing the limits of image steganography, arXiv preprint arXiv:1901.03892, 2019. https://arxiv.org/abs/1901.03892
[2] Saumil Sha, Exploit Delivery via Steganography and Polyglots, http://stegosploit.info/
[3] Ye, J., Ni, J., and Yi, Y. Deep learning hierarchical representations for image steganalysis. IEEE Trans. On Information Forensics and Security, 12(11):2545–2557, Nov 2017. ISSN 1556-6013. doi: 10.1109/TIFS.2017. 2710946
[4] https://www.khronos.org/registry/webgl/specs/latest/2.0/
[5] D. Smilkov and all. Tensorflow.js: Machine Learning For The Web and Beyond. SysML Conférence, Palo Alto, CA, USA, 2019. URL: https://www.tensorflow.org/js/