論文の概要: Gray-Box Poisoning of Continuous Malware Ingestion Pipelines

• arxiv url: http://arxiv.org/abs/2605.04698v1
• Date: Wed, 06 May 2026 09:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.753725
• Title: Gray-Box Poisoning of Continuous Malware Ingestion Pipelines
• Title（参考訳）: 連続的マルウェア摂取パイプラインのグレーボックス中毒
• Authors: Jan Dolejš, Martin Jureček, Róbert Lórencz,
• Abstract要約: 本研究では,現代のマルウェア検出パイプラインを対象とした現実的なグレーボックス中毒モデルについて検討する。 関数保存操作により,問題空間の逆バイナリを生成する。 光GBMマルウェア検出モデルに対するディフェンダーのトレーニングセットに摂取した場合のこれらの有毒試料の影響を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern malware detection pipelines rely on continuous data ingestion and machine learning to counter the high volume of novel threats. This work investigates a realistic gray-box poisoning threat model targeting these pipelines. Using the secml_malware framework, we generate problem-space adversarial binaries through functionality-preserving manipulations, specifically Import Address Table (IAT) and section injections. We evaluate the impact of these poisoned samples when ingested into a defender's training set for a LightGBM malware detection model. Our empirical results demonstrate that subtle IAT-based perturbations enable compact poisoning samples that significantly degrade detection recall. These findings illustrate the inherent challenge of developing low-visibility adversarial perturbations that maintain high poisoning efficacy within continuous learning systems. We further evaluate a defense mechanism based on a homogeneous ensemble, which successfully identifies and filters up to 95.6% of poisoning attempts while maintaining a high retention rate for legitimate data. These findings emphasize the necessity of robust pre-ingestion validation in production pipelines.
• Abstract（参考訳）: 現代のマルウェア検出パイプラインは、大量の新規脅威に対抗するために、継続的なデータ取り込みと機械学習に依存している。 本研究では,これらのパイプラインを対象とする現実的なグレーボックス中毒モデルについて検討する。 secml_malwareフレームワークを用いて,機能保存操作,特にIAT(Import Address Table)とセクションインジェクションにより,問題空間の逆バイナリを生成する。 光GBMマルウェア検出モデルに対するディフェンダーのトレーニングセットに摂取した場合のこれらの有毒試料の影響を評価した。 実験の結果、微妙なIATによる摂動は、検出リコールを著しく低下させる小型の中毒サンプルを可能にすることが示された。 これらの知見は, 連続学習システムにおける高毒性効果を維持する低視認性逆境摂動の発達に固有の課題を示唆している。 さらに, 同種アンサンブルに基づく防御機構の評価を行い, 合法データに対する高い保持率を維持しつつ, 最大95.6%の毒殺効果の同定と濾過に成功した。 これらの知見は、生産パイプラインにおける堅牢なプレインジェクション検証の必要性を強調した。

関連論文リスト

• PoiCGAN: A Targeted Poisoning Based on Feature-Label Joint Perturbation in Federated Learning [9.902374988830413]
  産業画像分類には、フェデレートラーニング(FL)が適用される。 既存の毒殺方法の大きな制限は、モデル性能試験をバイパスすることの難しさである。 我々は,特徴ラベル協調摂動に基づく標的的中毒発作であるPoiCGANを提案する。 本手法は, ベースライン法よりも83.97%高い攻撃成功率を示し, メインタスクの精度は8.87%未満である。
  論文  参考訳（メタデータ） (2026-03-24T13:08:53Z)
• Detecting Stealthy Data Poisoning Attacks in AI Code Generators [1.1371178703578924]
  本研究は,ステルスシー脅威モデルに基づく既存の中毒検出手法の有効性に関する系統的研究である。 我々は,3つのDLモデル (CodeBERT, CodeT5+, AST-T5) に対して標的毒処理を行い, スペクトルシグネチャ解析, アクティベーションクラスタリング, 静的解析を防御として評価した。 以上の結果から,全ての手法が無作為性中毒の検出に苦慮し,表現に基づくアプローチでは有毒なサンプルの分離が困難であり,静的解析では偽陽性と偽陰性がみられた。
  論文  参考訳（メタデータ） (2025-08-29T14:00:06Z)
• PoisonCatcher: Revealing and Identifying LDP Poisoning Attacks in IIoT [13.68394346583211]
  ローカル微分プライバシー(LDP)は、軽量で分散化されスケーラブルであるため、産業用IoT(Industrial Internet of Things)で広く採用されている。 本研究は,資源豊富なアグリゲータにおけるIIoTに対するLDP中毒防御法を提案する。
  論文  参考訳（メタデータ） (2024-12-20T09:26:50Z)
• Towards Understanding the Robustness of Diffusion-Based Purification: A Stochastic Perspective [65.10019978876863]
  拡散性浄化(DBP)は、敵の攻撃に対する効果的な防御機構として出現している。 本稿では,DBPプロセスの本質性がロバスト性を駆動する主要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:10:38Z)
• On Practical Aspects of Aggregation Defenses against Data Poisoning Attacks [58.718697580177356]
  悪意のあるトレーニングサンプルを持つディープラーニングモデルに対する攻撃は、データ中毒として知られている。 データ中毒に対する防衛戦略の最近の進歩は、認証された毒性の堅牢性を達成するためのアグリゲーション・スキームの有効性を強調している。 ここでは、Deep Partition Aggregation(ディープ・パーティション・アグリゲーション・アグリゲーション)、代表的アグリゲーション・ディフェンス(アグリゲーション・ディフェンス)に焦点を当て、効率、性能、堅牢性など、その実践的側面を評価する。
  論文  参考訳（メタデータ） (2023-06-28T17:59:35Z)
• Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
  そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。 暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。 我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:45:24Z)
• Exploring the Limits of Model-Targeted Indiscriminate Data Poisoning Attacks [31.339252233416477]
  対象パラメータに対するデータ中毒攻撃の本質的な限界を探索するための技術ツールとして,モデル中毒の到達可能性の概念を紹介した。 我々は、一般的なMLモデルの中で驚くべき位相遷移現象を確立し、定量化するために、容易に計算可能なしきい値を得る。 我々の研究は, 有毒比がもたらす重要な役割を強調し, データ中毒における既存の経験的結果, 攻撃, 緩和戦略に関する新たな知見を隠蔽する。
  論文  参考訳（メタデータ） (2023-03-07T01:55:26Z)
• 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)

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。