Fugu-MT 論文翻訳(概要): secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python

論文の概要: secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python

arxiv url: http://arxiv.org/abs/2104.12848v3
Date: Fri, 13 Dec 2024 15:02:11 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-17 13:48:39.559575
Title: secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python
Title（参考訳）: secml-malware: PythonでAdversarial EXEmplesでWindowsのマルウェア分類器をテストする
Authors: Luca Demetrio, Battista Biggio,
Abstract要約: secml-malwareは、最先端のホワイトボックスとブラックボックスの攻撃をWindowsマルウェア検知器に実装している。 secml-malwareは、Windowsのマルウェア検知器に対する敵攻撃を計算するための最初のPythonライブラリである。
参考スコア（独自算出の注目度）: 8.198614398227315
License:
Abstract: Machine learning has been increasingly used as a first line of defense for Windows malware detection. Recent work has however shown that learning-based malware detectors can be evaded by carefully-perturbed input malware samples, referred to as adversarial EXEmples, thus demanding for tools that can ease and automate the adversarial robustness evaluation of such detectors. To this end, we present secml-malware, the first Python library for computing adversarial attacks on Windows malware detectors. secml-malware implements state-of-the-art white-box and black-box attacks on Windows malware classifiers, by leveraging a set of feasible manipulations that can be applied to Windows programs while preserving their functionality. The library can be used to perform the penetration testing and assessment of the adversarial robustness of Windows malware detectors, and it can be easily extended to include novel attack strategies. Our library is available at https://github.com/pralab/secml_malware.
Abstract（参考訳）: 機械学習は、Windowsのマルウェア検出の第一線として、ますます使われている。しかし、近年の研究では、学習ベースのマルウェア検知器は、敵のExEmplesと呼ばれる、慎重に操作された入力されたマルウェアサンプルによって回避できることが示されており、そのような検出器の敵の堅牢性評価を容易かつ自動化するツールが要求されている。この目的のために,Windows マルウェア検出装置に対する敵攻撃を計算するための最初の Python ライブラリ secml-malware を提案する。 secml-malwareは、Windowsのマルウェア分類器に対する最先端のホワイトボックスとブラックボックスの攻撃を実装し、Windowsプログラムにその機能を保ちながら適用可能な操作のセットを活用する。このライブラリは、Windowsマルウェア検出装置の侵入試験および敵の堅牢性の評価に使用することができ、新規な攻撃戦略を含むように容易に拡張することができる。私たちのライブラリはhttps://github.com/pralab/secml_malware.comで利用可能です。

関連論文リスト

Understanding crypter-as-a-service in a popular underground marketplace [51.328567400947435]
Cryptersは、ターゲットバイナリを変換することで、アンチウイルス(AV)アプリケーションからの検出を回避できるソフトウェアの一部です。シークレット・アズ・ア・サービスモデルは,検出機構の高度化に対応して人気を博している。本論文は,シークレット・アズ・ア・サービスに特化したオンライン地下市場に関する最初の研究である。
論文参考訳（メタデータ） (2024-05-20T08:35:39Z)
Review of Deep Learning-based Malware Detection for Android and Windows System [2.855485723554975]
最近のマルウェアファミリーのほとんどは人工知能(AI)であり、異なる難読化技術を用いて従来のマルウェアシステムを騙すことができる。そこで本研究では,Windows と Android の2つのマルウェア検出技術について概説する。
論文参考訳（メタデータ） (2023-07-04T06:02:04Z)
DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness [58.23214712926585]
我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
論文参考訳（メタデータ） (2023-03-20T17:25:22Z)
Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art [44.975088044180374]
本稿は,Windowsオペレーティングシステム,すなわちWindows PEのファイル形式である,ポータブル実行可能(PE)のファイル形式に焦点をあてる。まず、ML/DLに基づくWindows PEマルウェア検出の一般的な学習フレームワークについて概説する。次に、PEマルウェアのコンテキストにおいて、敵攻撃を行うという3つのユニークな課題を強調した。
論文参考訳（メタデータ） (2021-12-23T02:12:43Z)
Single-Shot Black-Box Adversarial Attacks Against Malware Detectors: A Causal Language Model Approach [5.2424255020469595]
Adversarial Malware example Generationは、回避可能なマルウェアの変種を生成することを目的としている。ブラックボックス法はホワイトボックス法よりも注目されている。本研究では,新しいDLに基づく因果言語モデルにより,単発回避が可能となることを示す。
論文参考訳（メタデータ） (2021-12-03T05:29:50Z)
Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文参考訳（メタデータ） (2021-11-19T08:02:38Z)
Evading Malware Classifiers via Monte Carlo Mutant Feature Discovery [23.294653273180472]
悪意のあるアクターが代理モデルを訓練して、インスタンスが誤分類される原因となるバイナリ変異を発見する方法を示す。そして、変異したマルウェアが、抗ウイルスAPIの代わりとなる被害者モデルに送られ、検出を回避できるかどうかをテストする。
論文参考訳（メタデータ） (2021-06-15T03:31:02Z)
Binary Black-box Evasion Attacks Against Deep Learning-based Static Malware Detectors with Adversarial Byte-Level Language Model [11.701290164823142]
MalRNNは、制限なく回避可能なマルウェアバリアントを自動的に生成する新しいアプローチです。 MalRNNは、3つの最近のディープラーニングベースのマルウェア検出器を効果的に回避し、現在のベンチマークメソッドを上回ります。
論文参考訳（メタデータ） (2020-12-14T22:54:53Z)
Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers [47.828297621738265]
攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
論文参考訳（メタデータ） (2020-10-30T15:27:44Z)
Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
論文参考訳（メタデータ） (2020-08-17T07:16:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。