ContractLens: Latent Security Knowledge for Malicious Smart Contract Detection
该论文聚焦 Web3.0 生态中的恶意智能合约审计问题。背景是：基于大语言模型（LLM）的合约审计方法目前主要依赖提示工程（prompt engineering）或针对特定攻击类型的微调，而对 LLM 内部究竟依靠哪些表征来完成恶意逻辑识别
#malware-detection
共收录 50 条相关情报。
← 返回所有主题A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders
本文针对勒索软件检测在样本稀缺与新型变种场景下失效的问题，提出了一种混合深度学习框架，把自编码器特征提取器（Autoencoder Feature Extractor, AFE）与模型无关元学习分类器（Model-Agnostic Meta
Breaking Windows Malware Detection: A Comprehensive Evaluation of Problem-Space Adversarial Robustness
该论文针对基于机器学习的 Windows 恶意软件检测器所面临的问题空间逃逸攻击（problem-space evasion）开展了统一、大规模的经验评估，目标是弥补当前研究中的碎片化问题。作者指出，尽管已有大量工作证明 ML 恶意软件检测
Weaponizing Ground Truth: Data Poisoning Attacks by Exploiting Boundary Misalignment Between Antivirus Software and Learning-Based Detectors
该论文研究基于机器学习（ML）的恶意软件检测器在训练数据构建环节面临的一个系统性风险：业界普遍直接采用杀毒引擎（AV）及其聚合服务（如 VirusTotal）给出的判定作为监督标签，隐含假设是 AV 标签可靠且与下游模型所感知的特征空间保持
RAMP: Reversing Adversarial Perturbations to Strengthen Clean-Label Backdoor Attacks against Malware Detectors
本文研究的是深度学习恶意软件检测器在持续更新流程中面临的训练时后门威胁。当前主流做法是：检测器部署后，会不断把新采集到的样本加入训练集并进行微调，以保证对新型恶意软件的识别能力。这一工程实践虽然提升了检测效果，却也把数据采集与更新流水线变成
SAGEGAN: Style-Based Anomaly Detection with Gaussian Embeddings using Generative Adversarial Networks
该论文提出 SAGEGAN，一个仅用良性样本训练的恶意软件异常检测框架，目标是绕开传统基于规则与特征签名的检测流水线在恶意软件快速演化时失效的问题。其核心思路是：把可移植可执行文件（PE）转换为紧凑的三通道图像表示，再通过“风格条件对抗重建
Name2Pkg: Lightweight One-Class Android Malware Screening via Name-Package Correspondence Modeling
该论文针对 Android 恶意软件大规模筛查场景中「特征提取成本过高」这一瓶颈提出了一种轻量级方案 Name2Pkg。传统深度学习检测方法普遍依赖 APK 内部特征（如权限、API 调用、字节码、资源文件）或运行时行为序列，这些特征虽然判
Temporal Generalization and Explanation Stability of Control Flow Graph Neural Networks for Malware Detection
该论文研究的是基于控制流图（CFG）的图神经网络（GNN）恶意软件检测器在时间分布偏移下的泛化能力与可解释性稳定性。作者指出，现有工作普遍在一个单一时间窗内采集的语料上做随机划分（random split）评估，训练集与测试集来自同一时期，
When Label Noise Meets Class Imbalance: A Robust Framework for Android Malware Family Classification
该论文研究的是 Android 恶意软件家族分类模型在真实训练数据条件下的鲁棒性问题。作者指出现有机器学习方法虽在基准数据集上准确率很高，但落地时面临两大障碍：其一，Android 生态中广泛使用的代码混淆会严重干扰自动化标注流程，导致训练
Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
该论文提出名为 Delphi Scanner 的 Windows PE 文件静态恶意软件检测系统，核心目标是同时兼顾三方面诉求：检测有效性、计算效率与分析可解释性。作者指出，传统静态检测常在三者之间取舍——基于特征签名的方法高效但难以泛化，
Windows Malware Detector as a Compound AI System: Trade-Offs in Accuracy, Efficiency, and Adversarial Robustness
工业界的 Windows 恶意软件检测系统通常被描述为由多种异构组件构成的复合 AI 系统，其中包括基于规则的检测机制以及基于机器学习的静态与动态分析模块。然而，由于工业界保密和公开信息有限，这些系统的内部架构往往只能被推测，导致难以对其检
A TTP by TTP Approach: Precise Malware Detection via Malicious TTP Recognition
本文研究网络流量中的恶意软件检测问题。当前基于机器学习特别是神经网络的方法虽然高效，但存在两个结构性缺陷：其一，模型纯粹由数据驱动，忽略了网络安全领域已有的战术、技术与过程（TTP）知识库，导致模型无法将检测到的恶意行为与具体攻击手法关联；
Structural Attack against Graph Based Android Malware Detection.
恶意软件检测技术通过对恶意软件语义进行深度分析获得了巨大成功。在已有检测技术中，基于函数调用图（FCG）的方法因为能直观刻画恶意软件的功能特性而表现出良好的检测性能。与此同时，近年来的对抗性攻击研究不仅通过只扰动特征向量来迷惑分类器（即特征
PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation
论文《PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation》研究了面向Windows PE恶意软件机器学习检测器的对抗攻击。现有攻击通常
Poster: An Exploration of Large Language Models in Malicious Source Code Detection.
该论文提出了一种名为 Mal-LLM 的恶意源代码检测框架，旨在应对软件供应链中嵌入恶意代码的安全挑战。现有检测方法包括基于签名、行为分析和传统机器学习模型，但这些方法普遍缺乏结果的可解释性，难以向安全分析人员清晰解释为何某段代码被判为恶意
REPLICANT: Learning Policies for Evading and Hardening Malware Detectors
该论文针对基于机器学习的恶意软件检测器在实际对抗环境中的鲁棒性评估问题展开研究。现有对抗攻击研究通常假设攻击者能够访问训练数据、特征空间或置信度分数等特权信息，这与真实世界的攻击者能力不符。为此，作者提出了一个名为 Replicant 的深
Moirae: A Multimodal Agent Collaborative Framework for Dynamic Android Malware Detection
本文提出了一种名为 Moirae 的多模态智能体协作框架，用于动态 Android 恶意软件检测。针对现有机器学习检测器容易受到概念漂移影响的问题（因为依赖随时间变化的实现特定特征），以及当前基于大语言模型（LLM）的检测器通常仅依赖代码或
Adapter-Based Few-Shot Continual Learning for Malicious Packet Recognition
本文针对恶意流量识别中模型需要不断适应新型恶意软件变体、但传统重新训练成本高昂且易发生灾难性遗忘的问题，研究了小样本类增量学习（FSCIL）这一特定设置。在该设置下，模型需要在仅拥有少量标注样本的情况下学习新增的恶意软件类别，同时不遗忘已学
Aray: Deterministic-First Synthesis of Benign Artifacts for YARA Validation
YARA规则易于分发，但用于验证正匹配的恶意软件样本却难以共享，给存储、持续集成、灾难恢复演练和可复现的扫描器验证带来麻烦。构造替代固定件（fixture）并不仅仅是嵌入字面量：YARA条件可能组合多种结构，如备选分支、计数、偏移、整数读取
Malformer: A Multi-Modal Malware Detector Using Transformers
传统的恶意软件检测系统通常依赖单一的样本表示（即模态），难以有效识别新型威胁，且某些模态提取过程依赖反汇编成功率，导致模型在多变样本上的判别能力不足。已有工作尝试融合多种模态或增强表示，但多为双模态或改进单个表示。为此，本文提出 Malfo