EGAMA-RC: Risk-Calibrated Evidence-Gated Adaptive Malware Analysis for Robust and Interpretable Memory-Forensic Triage
本文提出了一种名为 EGAMA-RC 的风险校准证据门控自适应恶意软件分析框架，用于内存取证场景下的恶意软件分类与分流。传统机器学习恶意软件检测器在干净数据上准确率较高，但实际运营中的分流任务还需考虑不确定性、新颖性、鲁棒性、可解释性、延迟
#memory-forensics
共收录 8 条相关情报。
← 返回所有主题An OS-agnostic Approach to Memory Forensics.
内存取证在数字调查和事件响应中扮演关键角色，但传统方法高度依赖为少数主流操作系统手工定制的内核数据结构模型。由于各操作系统的内存表示方式差异大且常缺乏文档，这些模型无法泛化，针对闭源系统开发新模型需要大量逆向工程，耗时费力。近年来，物联网设
Poster: High-Fidelity and Contextual User Activity Memory Forensics.
该论文提出了一种名为 RAM-Weaver 的系统，旨在解决从内存转储中检索应用程序用户活动信息的传统难题。内存取证领域长期以来面临两大挑战：一是内存数据量庞大，二是应用程序内部的数据结构往往不透明且复杂，导致人工分析过程耗时且容易出错。R
Assessing the Forensic Viability of Android Memory Analysis Across Production Builds: A Cross-Version Study of Security Hardening and Structure Preservation
本文系统评估了Android内存取证的可行性——该技术可恢复从未写入磁盘的证据，如解密消息、会话凭证和应用程序的实时内部状态。现有取证工具依赖嵌入在libart.so（Android运行时库）中的调试符号来定位数据结构并解释其布局。然而，随
What You See Is Not What You Execute: Memory-Based Runtime SBOM Generation for Supply Chain Security
现代软件开发高度依赖来自公共仓库的第三方组件，这扩大了软件供应链攻击面。为了应对这一风险，美国联邦倡议推动了软件物料清单（SBOM）作为标准化机制，通过描述软件组件、依赖关系及其关联来提升透明度。然而，基于元数据或文件系统工件构建的SBOM
The Sound of Malware: A Memory Forensics Approach for Android Malware Analysis via Audio Signals
Android恶意软件分析面临鲁棒分类和检测隐匿攻击的挑战。现代威胁采用代码混淆、动态加载、加壳甚至隐写技术来规避传统静态和动态特征检测，降低了基于签名的系统有效性，并削弱了依赖显式语义指标（如权限、API调用、控制流结构）的机器学习模型的
Memory Forensics Techniques for Automated Detection and Analysis of Go Malware
Go语言因其生成静态链接、跨平台的可执行文件而日益受到恶意软件开发者的青睐，但这类二进制文件给传统分析技术带来了挑战。Go可执行文件嵌入了庞大的运行时和编译器生成的元数据，并采用激进优化，丢弃了函数参数和局部变量的类型信息。Go的设计进一步
Forecasting Malware Capabilities From Cyber Attack Memory Images.
该论文提出了一种从网络攻击内存镜像中预测恶意软件能力的新方法。研究背景在于，传统恶意软件分析通常需要动态执行或静态反编译，而内存镜像中包含了恶意软件执行时的完整状态，但直接从中提取高级语义能力（如持久化、逃避检测、横向移动等）较为困难。作者