Binary Black-Box Attacks Against Static Malware Detectors with Reinforcement Learning in Discrete Action Spaces.
本文研究针对静态恶意软件检测器的黑盒对抗攻击问题。近年来，基于机器学习和深度学习的静态恶意软件检测器在识别未知恶意软件变体方面表现出色，因此被广泛采用以降低动态分析和人工签名识别的成本。然而，研究表明这类检测器容易受到对抗性恶意软件攻击的影
#malware-detection
共收录 50 条相关情报。
← 返回所有主题A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models
该研究专注于恶意软件检测领域中的二进制到图像转换技术，并引入可解释人工智能（XAI）工具来提升模型的可解释性。作者使用 Gradient-weighted Class Activation Maps (Grad-CAM) 作为解释工具，分析
ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection
随着智能设备（如智能手机和平板电脑）的普及，移动应用生态蓬勃发展，但恶意软件也日益猖獗。尽管官方应用商店要求应用在上架前通过恶意软件筛查，许多恶意应用仍能通过隐藏复杂变种绕过检测，且其恶意行为往往仅在运行时触发，传统的静态分析难以识别，导致
MalTotal: Cost-Effective and Language-Agnostic Malicious Code Poisoning Detection for Millions of Repositories
随着开源软件（OSS）的广泛采用，恶意代码投毒攻击已成为针对公共包注册表和开源平台的重要安全威胁。攻击者通过向合法仓库中注入恶意代码，可在下游用户不知情的情况下窃取数据、植入后门或破坏供应链。现有的恶意代码检测方法主要分为基于启发式规则、基
Performance analysis of Machine learning algorithms for predicting malware
该论文针对传统基于签名的防病毒软件难以检测新型恶意软件的问题，提出了一种基于机器学习（ML）的恶意软件检测框架。研究选取了基准恶意软件数据集，对多种主流的分类算法——包括人工神经网络（ANN）、支持向量机（SVM）、XGBoost和Extr
On the Performance of Malware Detection Classifiers Using Hardware Performance Counters
本文研究基于硬件性能计数器（HPC）的恶意软件检测方法。HPC 是处理器运行时采集的低层微架构活动数据，可反映应用行为。传统杀毒软件依赖特征匹配，难以应对未知威胁；硬件辅助检测作为补充，可增强系统安全。然而，HPC 检测面临挑战：处理器每个
Evaluating the Robustness of a Production Malware Detection System to Transferable Adversarial Attacks.
本文研究的是生产环境中的恶意软件检测系统在面对可迁移对抗性攻击时的鲁棒性。随着深度学习模型被广泛集成到大型生产系统中，其个体缺陷可能被利用，进而引发系统层面的安全漏洞。作者以 Gmail 的恶意软件检测流水线为案例，该流水线依赖一个名为 M
Guarding Organizations Against Malware Risk: A Novel Graph-Based Malware Detection Method
随着组织数字化转型的深入，网络安全风险日益突出，恶意软件已成为一种普遍且破坏性极强的威胁。现有基于字节的机器学习检测方法虽然广泛应用，但容易受到攻击者通过操纵原始字节实施规避行为的影响。相比之下，基于图的方法通过将软件表示为捕获执行行为的程
EXE-Bench: Ranking the Tradeoffs of AI-based Windows Malware Detectors for Real-World Usability
该论文指出现有基于AI的Windows恶意软件检测器缺乏系统性的评估方法，导致无法确定哪种模型适合实际部署。现有评估存在四个主要缺陷：1）训练和测试数据不统一；2）未考虑时间维度，无法检验模型随时间推移的性能衰减；3）缺少对抗攻击下的安全性
From Signals to Behaviors: Evidence-Based Android Malware Detection
该论文针对Android恶意软件检测问题，指出现有方法基于表面信号（如学习特征或代码片段）进行检测，容易产生误报和漏报，因为偏离代理信号并不等同于恶意。作者提出行为导向的检测方法，并实现系统Praxis。Praxis采用假设-确认-判断流水
ProfMalPlus: Agent-Coordinated Detection of Malicious NPM Packages via Static-Dynamic Analysis Synergy
开源软件易受针对传递依赖的供应链攻击，尤其恶意代码注入NPM包。现有检测器常存在以下不足：对混淆行为的建模不充分，忽视JavaScript的面向对象特性，静态与动态分析协调不佳，以及行为抽象过程中丢失语义信息。为此，本文提出ProfMalP
Which Neurons Detect Malicious Code? A Probing Study of LLM Security Knowledge
本文研究了大语言模型（LLM）内部如何识别恶意代码的机制。尽管LLM在代码补全、漏洞检测等软件工程任务中表现优异，但其识别恶意或漏洞代码的内部工作机制仍不透明。作者采用机械可解释性方法，对三个指令微调的LLM（Llama3.1-8B-Ins
HilEnT: Hilbert, Entropy Transformed Image Based Malware Detection
本文提出了一种新颖的恶意软件二进制文件到图像的转换技术HilEnT，旨在解决传统基于签名的检测方法难以应对未知或变种恶意软件的问题。该方法首先将恶意软件二进制文件通过希尔伯特曲线进行空间填充变换，保留二进制数据的局部相关性；同时结合恶意文件
Cloak and Detonate: Scanner Evasion and Dynamic Detection of Agent Skill Malware
该论文针对LLM编码代理（coding agent）中第三方技能（skill）带来的软件供应链攻击面展开研究。代理技能从公共市场获取，并拥有与代理相同的权限，恶意技能可能窃取凭证、泄露源代码或安装后门。现有防御主要采用基于模式匹配或LLM作
Hamm-Grams: An Algorithm for Mining Regular Expressions of Bytes
该论文提出了一种名为“hamm-grams”的新型特征，用于恶意软件检测中的静态分析。传统的n-gram特征虽然被广泛使用，但存在鲁棒性不足的问题，容易因代码微小变化而失效。作者将hamm-grams定义为具有固定长度和单字符通配符的特殊正
DroidBreaker: Practical and Functional Problem-Space Attacks on Machine-Learning Android Malware Detectors
本文关注机器学习驱动的安卓恶意软件检测器在问题空间（problem space）中的对抗性攻击。现有攻击方法存在诸多不足：大多数技术通过软件移植注入完整良性模块，引入大量副作用特征，且常导致构建失败；细粒度方法仅注入少量组件，效果有限；使用
LAMD: Context-Driven Android Malware Detection and Classification with LLMs.
本文提出 LAMD（Context-Driven Android Malware Detection and Classification with LLMs），一个利用大语言模型（LLM）进行上下文驱动的安卓恶意软件检测与分类框架。针对现
ViPER: Vision-based Packing-Aware Encoder for Robust Malware Detection
恶意软件检测是网络安全的核心挑战之一。传统基于静态特征（如签名、熵）的方法容易受到加壳（packing）技术的干扰，而基于可视化的方法将二进制字节映射为灰度图像，利用视觉分类器进行检测，具有抗规避和无需反汇编的优势。然而，可执行文件加壳会生
Density Boosts Everything: A One-stop Strategy for Improving Performance, Robustness, and Sustainability of Malware Detectors.
本文针对AI驱动的恶意软件检测器面临的多种挑战（包括投毒攻击、逃避攻击和概念漂移）提出了一种统一的解决方案。作者指出这些挑战的一个根本原因是数据稀疏性，即某些特征值在数据集中出现的频率极低。为解决稀疏性问题，论文设计了新的压缩技术来缓解稀疏
FDM: A Framework for Decision-making to build ML-based Malware detection systems
本文提出一个名为FDM（决策框架）的框架，用于构建基于机器学习的恶意软件检测系统。选择机器学习配置是一个多准则优化问题，需要考虑模型选择、特征工程、更新机制等多种因素，且不同部署场景的约束各异。FDM通过加权配置兼容性得分（WCCS）将五个