論文の概要: BIDO: A Unified Approach to Address Obfuscation and Concept Drift Challenges in Image-based Malware Detection

• arxiv url: http://arxiv.org/abs/2509.03807v1
• Date: Thu, 04 Sep 2025 01:48:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.011084
• Title: BIDO: A Unified Approach to Address Obfuscation and Concept Drift Challenges in Image-based Malware Detection
• Title（参考訳）: BIDO:画像によるマルウェア検出における難読化とコンセプトドリフトへの統一的アプローチ
• Authors: Junhui Li, Chengbin Feng, Zhiwei Yang, Qi Mo, Wei Wang,
• Abstract要約: BIDOは、難読化とコンセプトドリフトの両方に対する堅牢性を高めるために設計されたハイブリッドイメージベースのマルウェア検出器である。 具体的には,画像特徴の識別能力を向上させるために,局所的特徴選択モジュールを導入する。 第3に,特徴のコンパクト性を確保するために,同一のラベルを持つサンプルを近い位置から抽出する学習可能なメトリクスを設計する。
• 参考スコア（独自算出の注目度）: 15.388728305777908
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: To identify malicious Android applications, various malware detection techniques have been proposed. Among them, image-based approaches are considered potential alternatives due to their efficiency and scalability. Recent studies have reported that these approaches suffer significant performance declines when confronted with obfuscation or concept drift. However, existing solutions often treat these two challenges as different problems, offering independent solutions. These techniques overlook the fact that both challenges share a common statistical root, out-of-distribution, and research from this perspective remains limited. In response, we propose BIDO, a hybrid image-based malware detector designed to enhance robustness against both obfuscation and concept drift simultaneously. Specifically, to improve the discriminative power of image features, we introduce a local feature selection module that identifies informative subregions within malware images. Second, to enhance feature robustness, we model pairwise cross-modal dependencies in an outer product space, enabling the extraction of stable co-occurrence patterns. Third, to ensure feature compactness, we design a learnable metric that pulls samples with identical labels closer while pushing apart those with different labels, regardless of obfuscation or concept drift. Extensive experiments on the real-world datasets demonstrate that BIDO significantly outperforms existing baselines, achieving higher robustness against both concept drift and obfuscation. The source code is available at: https://github.com/whatishope/BIDO/.
• Abstract（参考訳）: 悪意のあるAndroidアプリケーションを特定するために、様々なマルウェア検出技術が提案されている。 その中でも、画像ベースのアプローチは、その効率性とスケーラビリティのため、潜在的に代替案と考えられる。 近年の研究では, 難読化やコンセプトドリフトに直面すると, 性能低下が著しいことが報告されている。 しかし、既存のソリューションはしばしばこれらの2つの課題を異なる問題として扱い、独立したソリューションを提供する。 これらの技術は、両方の課題が共通の統計的ルーツ、分布外、そしてこの観点からの研究を共有しているという事実を見落としている。 そこで本研究では,画像を用いたハイブリッドマルウェア検出システムBIDOを提案し,同時に難読化とコンセプトドリフトの両面に対する堅牢性を向上する。 具体的には、画像特徴の識別能力を向上させるために、マルウェア画像内の情報サブリージョンを識別するローカル特徴選択モジュールを導入する。 第二に、特徴の堅牢性を高めるために、外積空間においてペアワイズな相互依存をモデル化し、安定した共起パターンの抽出を可能にする。 第3に、特徴のコンパクト性を確保するために、難読化やコンセプトドリフトに関わらず、異なるラベルを持つサンプルを分割しながら、同一ラベルを持つサンプルを近くに引き出す学習可能なメトリクスを設計する。 実世界のデータセットに関する大規模な実験は、BIDOが既存のベースラインを著しく上回り、コンセプトドリフトと難読化の両方に対して高いロバスト性を達成することを示した。 ソースコードは、https://github.com/whatishope/BIDO/.comで入手できる。

関連論文リスト

• Image Can Bring Your Memory Back: A Novel Multi-Modal Guided Attack against Image Generation Model Unlearning [28.15997901023315]
  Recallは、未学習のIMGの堅牢性を損なうために設計された、新しい敵のフレームワークである。 逆効果、計算効率、意味的忠実性の点で、元のプロンプトで既存のベースラインを一貫して上回ります。 これらの結果は、現在の未学習メカニズムにおける重大な脆弱性を明らかにし、より堅牢なソリューションの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-07-09T02:59:01Z)
• UGG-ReID: Uncertainty-Guided Graph Model for Multi-Modal Object Re-Identification [26.770271366177603]
  マルチモーダルオブジェクトReID(UGG-ReID)に対する不確実性誘導グラフモデルというロバストなアプローチを提案する。 UGG-ReIDは、ノイズ干渉を緩和し、効果的なマルチモーダル融合を促進するように設計されている。 実験結果から,提案手法は全データセットに対して優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2025-07-07T03:41:08Z)
• Deep Learning Fusion For Effective Malware Detection: Leveraging Visual Features [12.431734971186673]
  本研究では,マルウェアの実行可能量の異なるモードで学習した畳み込みニューラルネットワークモデルを融合する能力について検討する。 我々は3種類の視覚的マルウェアを利用した新しいマルチモーダル融合アルゴリズムを提案している。 提案した戦略は、与えられたデータセット内のマルウェアを識別する際の検出レート1.00(0-1)である。
  論文  参考訳（メタデータ） (2024-05-23T08:32:40Z)
• Latent Diffusion Models for Attribute-Preserving Image Anonymization [4.080920304681247]
  本稿では,遅延拡散モデル(LDM)に基づく画像匿名化への最初のアプローチを提案する。 CAFLaGE-Baseは、事前訓練された制御ネットと、実画像と匿名画像との距離を増やすために設計された新しい制御機構を組み合わせた2つのLCMを提案する。
  論文  参考訳（メタデータ） (2024-03-21T19:09:21Z)
• Cross-Modality Perturbation Synergy Attack for Person Re-identification [66.48494594909123]
  クロスモダリティの人物再識別(ReID)システムはRGB画像に基づいている。 相互モダリティReIDの主な課題は、異なるモダリティ間の視覚的差異を効果的に扱うことである。 既存の攻撃方法は、目に見える画像のモダリティの特徴に主に焦点を当てている。 本研究では,クロスモーダルReIDに特化して設計されたユニバーサル摂動攻撃を提案する。
  論文  参考訳（メタデータ） (2024-01-18T15:56:23Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning [54.15303628138665]
  フェース・アンチ・スプーフィング(FAS)は、顔認識システムが提示攻撃を防ぐ上で重要な役割を担っている。 既存のフェース・アンチ・スプーフィング・データセットは、アイデンティティと重要なばらつきが不十分なため、多様性を欠いている。 我々は「生成によるアンチ・スプーフィング」によりこの問題に対処するデュアル・スポット・ディアンタングメント・ジェネレーション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T15:36:59Z)
• Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
  データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。 実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-21T19:08:23Z)

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。