論文の概要: Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective

• arxiv url: http://arxiv.org/abs/2604.22569v1
• Date: Fri, 24 Apr 2026 14:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.489696
• Title: Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective
• Title（参考訳）: マルウェアと検出モデルの相互共進化:二段階最適化の視点
• Authors: Olha Jurečková, Martin Jureček, Matouš Kozák, Róbert Lórencz,
• Abstract要約: 機械学習ベースのマルウェア検知器は、敵の例に対してますます脆弱になっている。 一発の敵の訓練のような伝統的な防御は、検出をバイパスするために強化学習を使用する適応攻撃者に対して失敗することが多い。 本稿では,両レベル最適化に基づくロバスト・ディフェンス・フレームワークを提案し,ディフェンダーとアタッカーの戦略的相互作用を,対角的共進化的プロセスとして明示的にモデル化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based malware detectors are increasingly vulnerable to adversarial examples. Traditional defenses, such as one-shot adversarial training, often fail against adaptive attackers who use reinforcement learning to bypass detection. This paper proposes a robust defense framework based on bilevel optimization, explicitly modeling the strategic interaction between a defender and an attacker as an adversarial co-evolutionary process. We evaluate our approach using the MAB-malware framework against three distinct malware families: Mokes, Strab, and DCRat. Our experimental results demonstrate that while standard classifiers and basic adversarial retraining often remain vulnerable, showing evasion rates as high as 90 %, the proposed bilevel optimization approach consistently achieves near-total immunity, reducing evasion rates to 0 - 1.89 %. Furthermore, the iterative framework significantly increases the attacker's query complexity, raising the average cost of successful evasion by up to two orders of magnitude. These findings suggest that modeling the iterative cycle of attack and defense through bilevel optimization is essential for developing resilient malware detection systems capable of withstanding evolving adversarial threats.
• Abstract（参考訳）: 機械学習ベースのマルウェア検知器は、敵の例に対してますます脆弱になっている。 一発の敵の訓練のような伝統的な防御は、検出をバイパスするために強化学習を使用する適応攻撃者に対して失敗することが多い。 本稿では,両レベル最適化に基づくロバスト・ディフェンス・フレームワークを提案し,ディフェンダーとアタッカーの戦略的相互作用を,対角的共進化的プロセスとして明示的にモデル化する。 我々は,3つの異なるマルウェア群(Mokes, Strab, DCRat)に対してMABマルウェアフレームワークを用いてアプローチを評価した。 実験の結果, 標準分類器と基本対向再訓練は, 最大90%の回避率を示すことが多いが, 提案した二段階最適化手法は, 常にほぼ完全な免疫を達成し, 回避率を0～1.89 %に低下させることを示した。 さらに、反復的なフレームワークは攻撃者のクエリの複雑さを著しく増加させ、回避に成功した平均コストを最大2桁まで引き上げる。 これらの結果から, 2レベル最適化による攻撃・防御の反復サイクルをモデル化することは, 進化する敵の脅威に耐えうる回復力のあるマルウェア検出システムの開発に不可欠であることが示唆された。

関連論文リスト

• Debiased Dual-Invariant Defense for Adversarially Robust Person Re-Identification [52.63017280231648]
  人物再識別(ReID)は、歩行者軌道追跡などの現実の多くの応用において、基本的な課題である。 Person ReIDモデルは、歩行者画像に対する知覚不能な摂動が完全に誤った予測を引き起こすような、敵の攻撃に非常に敏感である。 本稿では,2つの相からなる二重不変防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:56:40Z)
• SAGE: Sample-Aware Guarding Engine for Robust Intrusion Detection Against Adversarial Attacks [12.537292017431641]
  機械学習ベースの侵入検知システム(ML-IDS)は、敵攻撃の影響を受けやすい。 SAGE(Sample-Aware Guarding Engine)は、アクティブラーニングとターゲットデータ削減を統合した、大幅に改良された防衛アルゴリズムである。 SAGEは、複数の侵入検出データセット間で強力な予測性能を示し、最先端の防御よりも平均201%のF1スコアの改善を実現している。
  論文  参考訳（メタデータ） (2025-09-09T18:57:27Z)
• RoMA: Robust Malware Attribution via Byte-level Adversarial Training with Global Perturbations and Adversarial Consistency Regularization [17.387354788421742]
  APTの敵はしばしばその正体を隠蔽し、本質的に敵意を表わす。 既存の機械学習ベースの属性モデルは、効果はあるものの、敵の攻撃に対して非常に脆弱である。 我々は,グローバルな摂動を統合して,拡張された対向サンプルを生成する,新しい一段階対向訓練手法であるRoMAを提案する。
  論文  参考訳（メタデータ） (2025-02-11T11:51:12Z)
• Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
  大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。 本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
  論文  参考訳（メタデータ） (2024-05-24T14:20:09Z)
• Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
  現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。 メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。 MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
  論文  参考訳（メタデータ） (2024-04-04T10:10:38Z)
• Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
  本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。 我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
  論文  参考訳（メタデータ） (2023-12-20T05:06:01Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• MIXPGD: Hybrid Adversarial Training for Speech Recognition Systems [18.01556863687433]
  ASRシステムのモデルの堅牢性を向上させるために,混合PGD逆行訓練法を提案する。 標準的な対人訓練では、教師なしまたは教師なしの手法を利用して、敵のサンプルを生成する。 我々は,モデルロバスト性向上に役立つ新しい対向サンプルを生成するために,教師付きアプローチと教師なしアプローチの両機能を融合する。
  論文  参考訳（メタデータ） (2023-03-10T07:52:28Z)
• Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
  モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。 本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。 本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-13T13:54:24Z)

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。