論文の概要: Self-Supervised Learning for Android Malware Detection on a Time-Stamped Dataset

• arxiv url: http://arxiv.org/abs/2604.23025v1
• Date: Fri, 24 Apr 2026 21:24:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.106388
• Title: Self-Supervised Learning for Android Malware Detection on a Time-Stamped Dataset
• Title（参考訳）: 時系列データセットを用いたAndroidマルウェア検出のための自己教師付き学習
• Authors: Annan Fu, Hao Pei, Maryam Tanha,
• Abstract要約: 我々は、良質で悪意のあるAndroidアプリのタイムスタンプデータセットを構築し、時間的正確性を保証するためのタイムスタンプ検証手順を導入しました。 次に,自己教師付き事前学習を用いて難読化耐性表現を学習する検出フレームワークを提案する。 タイムアウェア評価では、98%の精度と89%のF1を達成する。
• 参考スコア（独自算出の注目度）: 0.8739101659113154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Android malware detectors built with machine learning often suffer from temporal bias: models are trained and evaluated without respecting apps' actual release times, inflating accuracy and weakening real-world robustness. We address this by constructing a time-stamped dataset of benign and malicious Android apps and introducing a timestamp-verification procedure to ensure temporal accuracy. We then propose a detection framework that uses Bootstrap Your Own Latent (BYOL) for self-supervised pre-training to learn obfuscation-resilient representations, followed by supervised classification. Under time-aware evaluation, the method attains 98% accuracy and 89% F1. We further characterize malware behavior by analyzing true positives and false negatives using VirusTotal and the MITRE ATT&CK framework. To support reproducibility and further innovation, we release our dataset and source code.
• Abstract（参考訳）: モデルは、アプリの実際のリリース時間を尊重せずに訓練され、評価され、正確性を膨らませ、現実の堅牢性を弱める。 我々は、良質で悪意のあるAndroidアプリのタイムスタンプデータセットを構築し、時間的精度を保証するためのタイムスタンプ検証手順を導入することで、この問題に対処する。 次に、自己教師付き事前学習にBootstrap Your Own Latent (BYOL) を用い、難読化耐性表現を学習し、次いで教師付き分類を行う検出フレームワークを提案する。 タイムアウェア評価では、98%の精度と89%のF1を達成する。 さらに, VirusTotal と MITRE ATT&CK フレームワークを用いて,真陽性と偽陰性を分析し,マルウェアの挙動を解析する。 再現性とさらなるイノベーションをサポートするため、私たちはデータセットとソースコードをリリースしています。

関連論文リスト

• Label-efficient Training Updates for Malware Detection over Time [8.827428718141467]
  本稿では,活動学習と半教師あり学習の幅広いセットを評価するモデルに依存しないフレームワークを提案する。 これらの手法を組み合わせることで、両方のドメインで手動アノテーションのコストを最大90%削減できることを示す。
  論文  参考訳（メタデータ） (2026-03-30T13:05:44Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples [10.352741619176383]
  本研究では,ドリフトマルウェアの検出と分類を行う新しい手法を提案する。 グラフニューラルネットワークと対向ドメイン適応を利用して、マルウェア制御フローグラフのドリフト不変性を学習する。 当社のアプローチは,公開ベンチマークや,セキュリティ企業によって毎日報告されている実世界のマルウェアデータベース上でのドリフトマルウェアの検出を大幅に改善する。
  論文  参考訳（メタデータ） (2024-07-18T22:06:20Z)
• Android Malware Detection with Unbiased Confidence Guarantees [1.6432632226868131]
  本稿では,マルウェア検出毎に確実な信頼性を保証する機械学習動的解析手法を提案する。 提案手法は、Conformal Predictionと呼ばれる新しい機械学習フレームワークと、ランダムな森林分類器を組み合わせたものである。 実際のアンドロイドデバイスに1866の悪意のある4816の良質なアプリケーションをインストールすることで,大規模なデータセット上での性能を検証した。
  論文  参考訳（メタデータ） (2023-12-17T11:07:31Z)
• 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)
• Continuous Learning for Android Malware Detection [15.818435778629635]
  そこで本研究では,Androidマルウェア分類器を継続的に学習するための新しい階層型コントラスト学習手法と,新しいサンプル選択手法を提案する。 提案手法では, 偽陰性率は14%から9%に減少し, 偽陰性率は0.86%から0.48%に低下する。
  論文  参考訳（メタデータ） (2023-02-08T20:54:11Z)
• Temporal Robustness against Data Poisoning [69.01705108817785]
  データ中毒は、悪意のあるトレーニングデータを通じて、敵対者が機械学習アルゴリズムの振る舞いを操作する場合を考慮している。 本研究では,攻撃開始時間と攻撃持続時間を測定する2つの新しい指標である耳線と持続時間を用いたデータ中毒の時間的脅威モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-07T18:59:19Z)
• A two-steps approach to improve the performance of Android malware detectors [4.440024971751226]
  マルウェア検知器の性能を高めるための教師付き表現学習法であるGUIDED ReTRAINingを提案する。 265k以上のマルウェアと良性アプリを用いて,最先端の4つのAndroidマルウェア検出手法を検証した。 本手法は汎用的であり,二項分類タスクにおける分類性能を向上させるように設計されている。
  論文  参考訳（メタデータ） (2022-05-17T12:04:17Z)
• 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)

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。