論文の概要: Evasion of IoT Malware Detection via Dummy Code Injection

• arxiv url: http://arxiv.org/abs/2602.08170v1
• Date: Mon, 09 Feb 2026 00:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.011082
• Title: Evasion of IoT Malware Detection via Dummy Code Injection
• Title（参考訳）: ダミーコード注入によるIoTマルウェアの検出
• Authors: Sahar Zargarzadeh, Mohammad Islam,
• Abstract要約: 本研究は,パワーサイドチャネルによるマルウェア検出に対する新たな対策を提案する。 構造化ダミーコードをミライボットネットの走査相に注入することにより,AI/MLによる異常検出を回避するために動的にパワーシグネチャを摂動する。 本手法は,ステルスネス,実行オーバーヘッド,回避効率のトレードオフを系統的に解析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet of Things (IoT) has revolutionized connectivity by linking billions of devices worldwide. However, this rapid expansion has also introduced severe security vulnerabilities, making IoT devices attractive targets for malware such as the Mirai botnet. Power side-channel analysis has recently emerged as a promising technique for detecting malware activity based on device power consumption patterns. However, the resilience of such detection systems under adversarial manipulation remains underexplored. This work presents a novel adversarial strategy against power side-channel-based malware detection. By injecting structured dummy code into the scanning phase of the Mirai botnet, we dynamically perturb power signatures to evade AI/ML-based anomaly detection without disrupting core functionality. Our approach systematically analyzes the trade-offs between stealthiness, execution overhead, and evasion effectiveness across multiple state-of-the-art models for side-channel analysis, using a custom dataset collected from smartphones of diverse manufacturers. Experimental results show that our adversarial modifications achieve an average attack success rate of 75.2\%, revealing practical vulnerabilities in power-based intrusion detection frameworks.
• Abstract（参考訳）: IoT(Internet of Things)は、世界中の何十億ものデバイスをリンクすることによって、接続性に革命をもたらした。 しかし、この急激な拡張は深刻なセキュリティ脆弱性も導入しており、IoTデバイスはMiraiボットネットのようなマルウェアのターゲットを魅力的なものにしている。 近年,デバイス電力消費パターンに基づいたマルウェア検出技術として,パワーサイドチャネル分析が注目されている。 しかし、このような敵の操作による検出システムのレジリエンスは未解明のままである。 本研究は,パワーサイドチャネルによるマルウェア検出に対する新たな対策を示す。 Miraibotnetのスキャンフェーズに構造化ダミーコードを注入することにより、AI/MLベースの異常検出を回避するために、コア機能を中断することなく、動的にパワーシグネチャを摂動する。 提案手法は, 各種メーカーのスマートフォンから収集したカスタムデータセットを用いて, サイドチャネル分析のための複数の最先端モデル間のステルスネス, 実行オーバーヘッド, 回避効率のトレードオフを系統的に解析する。 実験結果から, 敵の攻撃精度は75.2\%であり, パワーベース侵入検知フレームワークの実用的脆弱性が明らかとなった。

関連論文リスト

• Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting [5.35811141279537]
  敵攻撃に対するIoT IDSの堅牢性を高める新しい敵検出モデルを提案する。 我々は、ネットワークトラフィックの特徴から属性指紋を抽出し、IDSがクリーン入力と逆入力を確実に区別できるようにする。 我々は、標準的なIoTベンチマークデータセットでモデルを評価し、敵の攻撃を検出する最先端の手法を著しく上回った。
  論文  参考訳（メタデータ） (2025-11-09T02:56:54Z)
• MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
  マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。 我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。 この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2024-09-29T07:22:47Z)
• Optimizing Malware Detection in IoT Networks: Leveraging Resource-Aware Distributed Computing for Enhanced Security [0.6856683556201506]
  マルウェアとして知られる悪意のあるアプリケーションは、IoTデバイスやネットワークに重大な脅威をもたらす。 我々は,IoTネットワーク用の分散コンピューティングと統合された,リソースとワークロードを意識した新たなマルウェア検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-12T21:11:29Z)
• Enhancing IoT Malware Detection through Adaptive Model Parallelism and Resource Optimization [0.6856683556201506]
  本研究では,IoTデバイスに適したマルウェア検出手法を提案する。 リソースの可用性、進行中のワークロード、通信コストに基づいて、マルウェア検出タスクはデバイス上で動的に割り当てられるか、隣接するIoTノードにオフロードされる。 実験結果から,本手法はデバイス上での推測に比べて9.8倍の高速化を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-04-12T20:51:25Z)
• 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)
• ML-based IoT Malware Detection Under Adversarial Settings: A Systematic Evaluation [9.143713488498513]
  本研究は,様々な表現と学習技術を利用した最先端のマルウェア検出手法を体系的に検討する。 本研究では, 剥ぎ取りやパディングなどの機能保存操作によるソフトウェア変異が, 検出精度を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2021-08-30T16:54:07Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)
• Towards Obfuscated Malware Detection for Low Powered IoT Devices [0.11417805445492081]
  IoTとエッジデバイスは、マルウェアの作者にとって新たな脅威となる。 計算能力とストレージ容量が限られているため、これらのシステムに最先端のマルウェア検知器を配備することは不可能である。 そこで本稿では,Opcodeトレースから構築したMarkov行列から,不正かつ難解なマルウェア検出のための低コストな特徴を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-06T17:10:26Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。