論文の概要: Better Call Graphs: A New Dataset of Function Call Graphs for Malware Classification

• arxiv url: http://arxiv.org/abs/2512.20872v1
• Date: Wed, 24 Dec 2025 01:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.648115
• Title: Better Call Graphs: A New Dataset of Function Call Graphs for Malware Classification
• Title（参考訳）: より良いコールグラフ: マルウェア分類のための関数コールグラフの新しいデータセット
• Authors: Jakir Hossain, Gurvinder Singh, Lukasz Ziarek, Ahmet Erdem Sarıyüce,
• Abstract要約: 我々は,最近のAndroidアプリケーションパッケージ(APK)から抽出した,大規模かつユニークなFunction Call Graphs(FCG)の包括的なデータセットであるBetter Call Graphs(BCG)を紹介する。 BCGには、さまざまなファミリーやタイプにまたがる良性および悪意のあるサンプルと、各APK用のグラフレベルの機能が含まれている。
• 参考スコア（独自算出の注目度）: 1.201622168415522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Function call graphs (FCGs) have emerged as a powerful abstraction for malware detection, capturing the behavioral structure of applications beyond surface-level signatures. Their utility in traditional program analysis has been well established, enabling effective classification and analysis of malicious software. In the mobile domain, especially in the Android ecosystem, FCG-based malware classification is particularly critical due to the platform's widespread adoption and the complex, component-based structure of Android apps. However, progress in this direction is hindered by the lack of large-scale, high-quality Android-specific FCG datasets. Existing datasets are often outdated, dominated by small or redundant graphs resulting from app repackaging, and fail to reflect the diversity of real-world malware. These limitations lead to overfitting and unreliable evaluation of graph-based classification methods. To address this gap, we introduce Better Call Graphs (BCG), a comprehensive dataset of large and unique FCGs extracted from recent Android application packages (APKs). BCG includes both benign and malicious samples spanning various families and types, along with graph-level features for each APK. Through extensive experiments using baseline classifiers, we demonstrate the necessity and value of BCG compared to existing datasets. BCG is publicly available at https://erdemub.github.io/BCG-dataset.
• Abstract（参考訳）: 関数呼び出しグラフ(FCG)は、表面レベルのシグネチャを超えたアプリケーションの振る舞い構造をキャプチャし、マルウェア検出の強力な抽象化として登場した。 従来のプログラム分析におけるそれらの実用性はよく確立されており、悪意のあるソフトウェアを効果的に分類し分析することができる。 モバイル領域、特にAndroidエコシステムでは、FCGベースのマルウェア分類が特に重要である。 しかし、この方向の進歩は、大規模で高品質なAndroid固有のFCGデータセットの欠如によって妨げられている。 既存のデータセットはしばしば時代遅れで、アプリの再パッケージングに起因する小さなグラフや冗長なグラフが支配され、現実世界のマルウェアの多様性を反映できない。 これらの制限は、グラフベースの分類方法の過度な適合と信頼性の低い評価につながる。 このギャップに対処するため,最近のAndroidアプリケーションパッケージ(APK)から抽出した大規模かつユニークなFCGの包括的データセットであるBetter Call Graphs (BCG)を紹介した。 BCGには、さまざまなファミリーやタイプにまたがる良性および悪意のあるサンプルと、各APK用のグラフレベルの機能が含まれている。 ベースライン分類器を用いた広範な実験を通じて、既存のデータセットと比較してBCGの必要性と価値を実証する。 BCGはhttps://erdemub.github.io/BCG-dataset.comで公開されている。

関連論文リスト

• IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense [3.2846283642465077]
  グラフニューラルネットワーク(GNN)ベースの分類器を用いて,APIグラフの埋め込みを生成することにより,グラフに基づく分類の有効性を示す。 本稿では,グラフベースのGNN Androidマルウェア分類器を対象とした,GANベースの攻撃アルゴリズム VGAE-MalGAN を提案する。
  論文  参考訳（メタデータ） (2025-12-23T02:57:33Z)
• Unlocking Advanced Graph Machine Learning Insights through Knowledge Completion on Neo4j Graph Database [1.1059590443280725]
  本稿では,GDB-GMLアプリケーションに知識補完フェーズを統合する革新的なアーキテクチャを提案する。 隠れた知識を明らかにすることがデータセットの振る舞いやメトリクスにどのように影響するかを示します。 実験結果から,我々の直観はトポロジと全体データセットのダイナミックスの両方に大きく反することがわかった。
  論文  参考訳（メタデータ） (2025-11-14T15:27:31Z)
• HiGraph: A Large-Scale Hierarchical Graph Dataset for Malware Analysis [28.52072763032641]
  我々は、textbf595K Call Graphs (FCGs)内にネストしたtextbf200M Control Flow Graphs (CFGs) を含む、マルウェア分析のための最大の公開階層グラフデータセットであるデータセットを紹介する。 この2段階の表現は、コードの難読化とマルウェアの進化に耐性のある堅牢な検出器を構築するのに必要な構造的意味を保存している。 HiGraphの実用性は、良性および悪意のあるソフトウェアの構造的特性を明確化し、コミュニティの基本的なベンチマークとして確立する、大規模な分析を通じて実証する。
  論文  参考訳（メタデータ） (2025-09-02T09:10:52Z)
• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Cluster Aware Graph Anomaly Detection [32.791460110557104]
  本稿では,CAREと呼ばれるクラスタ認識型マルチビューグラフ異常検出手法を提案する。 提案手法は,グラフの隣接行列を擬似ラベルで拡張することにより,局所ノード親和性とグローバルノード親和性の両方を捕捉する。 提案した類似性誘導損失は、対照的な学習損失の変種であることを示す。
  論文  参考訳（メタデータ） (2024-09-15T15:41:59Z)
• Graph Augmentation for Recommendation [30.77695833436189]
  コントラスト学習によるグラフ強化はレコメンデーションシステム分野において大きな注目を集めている。 本稿では,自己教師付き信号を生成し,レコメンダシステムを強化したGraphAugというフレームワークを提案する。 GraphAugフレームワークはグラフ情報ボトルネック(GIB)の正規化拡張パラダイムを取り入れており、情報的自己超越情報を自動で抽出する。
  論文  参考訳（メタデータ） (2024-03-25T11:47:53Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。