Fugu-MT 論文翻訳(概要): Improving the Identification of Real-world Malware's DNS Covert Channels Using Locality Sensitive Hashing

論文の概要: Improving the Identification of Real-world Malware's DNS Covert Channels Using Locality Sensitive Hashing

arxiv url: http://arxiv.org/abs/2511.20229v1
Date: Tue, 25 Nov 2025 12:00:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-26 17:37:04.440298
Title: Improving the Identification of Real-world Malware's DNS Covert Channels Using Locality Sensitive Hashing
Title（参考訳）: 局所感性ハッシュを用いた実世界のマルウェアのDNS被覆チャネルの同定の改善
Authors: Pascal Ruffing, Denis Petrov, Sebastian Zillien, Steffen Wendzel,
Abstract要約: 本稿では,DNS シークレットチャネルを用いた実世界のマルウェアの検出と識別にLocality Sensitive Hashing を最初に応用した。提案手法は,DNSサブドメイン配列を統計的に類似した特徴に符号化し,悪意のある活動を示す異常を効果的に捕捉する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, malware increasingly uses DNS-based covert channels in order to evade detection and maintain stealthy communication with its command-and-control servers. While prior work has focused on detecting such activity, identifying specific malware families and their behaviors from captured network traffic remains challenging due to the variability of DNS. In this paper, we present the first application of Locality Sensitive Hashing to the detection and identification of real-world malware utilizing DNS covert channels. Our approach encodes DNS subdomain sequences into statistical similarity features that effectively capture anomalies indicative of malicious activity. Combined with a Random Forest classifier, our method achieves higher accuracy and reduced false positive rates than prior approaches, while demonstrating improved robustness and generalization to previously unseen or modified malware samples. We further demonstrate that our approach enables reliable classification of malware behavior (e.g., uploading or downloading of files), based solely on DNS subdomains.
Abstract（参考訳）: 今日では、マルウェアはDNSベースのシークレットチャネルを使用して、検出を回避し、コマンド・アンド・コントロールサーバとのステルスな通信を維持している。これまでの作業では、そのようなアクティビティの検出に重点を置いていたが、DNSの多様性のため、特定のマルウェアファミリーと、キャプチャされたネットワークトラフィックからの振る舞いを特定することは難しいままである。本稿では,DNSの隠蔽チャネルを利用した実世界のマルウェアの検出と識別にLocality Sensitive Hashingを最初に応用した。提案手法では,DNSサブドメイン配列を統計的に類似した特徴に符号化し,悪意のある活動を示す異常を効果的に捕捉する。ランダムフォレスト分類器と組み合わせて, 従来手法よりも精度が高く, 偽陽性率の低減が図られた。さらに我々は,DNSサブドメインのみに基づいて,マルウェアの挙動(ファイルのアップロードやダウンロードなど)の信頼性の高い分類を可能にすることを実証した。

関連論文リスト

DNS Tunneling: Threat Landscape and Improved Detection Solutions [1.6874375111244329]
機械学習アルゴリズムを用いてDNSトンネリングを検出する新しい手法を提案する。 DNSトラフィックから抽出した特徴を用いて、機械学習アルゴリズムを組み合わせてトラフィックを分析する。解析結果から,提案手法はDNSトンネリングを正確に検出するためのよい候補であることが示された。
論文参考訳（メタデータ） (2025-07-14T13:37:48Z)
BotTrans: A Multi-Source Graph Domain Adaptation Approach for Social Bot Detection [55.31623652907614]
ソーシャルボットを検出するために,textitBotTrans というマルチソースグラフドメイン適応モデルを提案する。まず、複数のソースネットワーク間で共有されるラベル付けの知識を活用して、クロスソースドメイントポロジを確立します。次に、ソースノード埋め込みの識別性を高めるために、クロスドメイン隣の情報を集約する。
論文参考訳（メタデータ） (2025-06-12T02:10:36Z)
Domainator: Detecting and Identifying DNS-Tunneling Malware Using Metadata Sequences [0.0]
Domainatorは、最先端のマルウェアとDNSトンネリングツールを検出し、区別するアプローチである。本手法を7種類のマルウェアサンプルとトンネルツールを用いて評価し,DNSトラフィックに基づいて特定のマルウェアを識別する。
論文参考訳（メタデータ） (2025-05-28T10:52:19Z)
TI-DNS: A Trusted and Incentive DNS Resolution Architecture based on Blockchain [8.38094558878305]
ドメイン名システム(DNS)は、DNSキャッシュ中毒を含む悪意のある攻撃に対して脆弱である。本稿では,ブロックチェーンベースのDNS解決アーキテクチャであるTI-DNSについて述べる。 TI-DNSは、現在のDNSインフラストラクチャのリゾルバ側だけを変更する必要があるため、簡単に採用できる。
論文参考訳（メタデータ） (2023-12-07T08:03:10Z)
Detection of Malicious DNS-over-HTTPS Traffic: An Anomaly Detection Approach using Autoencoders [0.0]
暗号化されたDoHトラフィックのみを観測することで、悪意のあるDNSトラフィックを検出できるオートエンコーダを設計する。提案するオートエンコーダは,複数種類の悪質トラフィックに対して,F-1スコアの中央値が99%と高い検出性能を達成できることがわかった。
論文参考訳（メタデータ） (2023-10-17T15:03:37Z)
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)
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)
Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文参考訳（メタデータ） (2021-06-02T05:21:25Z)
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)
DNS Tunneling: A Deep Learning based Lexicographical Detection Approach [1.3701366534590496]
DNS Tunnelingは、マルウェアに感染したマシンとの双方向通信を確立するためにそれを利用するハッカーにとって魅力的なものだ。本稿では,アーキテクチャの複雑さを最小限に抑えた畳み込みニューラルネットワーク(CNN)に基づく検出手法を提案する。単純なアーキテクチャにもかかわらず、結果として得られたCNNモデルは、0.8%に近い偽陽性率でトンネル領域全体の92%以上を正しく検出した。
論文参考訳（メタデータ） (2020-06-11T00:10:13Z)

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。