論文の概要: LCC-LLM: Leveraging Code-Centric Large Language Models for Malware Attribution

• arxiv url: http://arxiv.org/abs/2605.05807v1
• Date: Thu, 07 May 2026 07:44:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.601356
• Title: LCC-LLM: Leveraging Code-Centric Large Language Models for Malware Attribution
• Title（参考訳）: LCC-LLM: マルウェア帰属のためのコード中心の大規模言語モデルを活用する
• Authors: Christopher G. Pedraza Pohlenz, Hassan Jalil Hadi, Ali Hassan, Ali Shoker,
• Abstract要約: LCC-LLMは、コード中心のベンチマークデータセットであり、マルウェア帰属のためのエビデンスベースのフレームワークである。 提案したLCCDデータセットは、大規模なリバースエンジニアリングパイプラインで処理された約34KのPEサンプルを含む。 MalwareBazaarサンプルを用いた実世界のケーススタディでは、基底パイプラインは10/10の構造化解析パスレートを達成する。
• 参考スコア（独自算出の注目度）: 1.5142772568964542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs are increasingly explored for malware analysis; however, current LLM-based malware attribution remains limited by unsupported indicators and insufficient code-level grounding for identifying malicious and vulnerable code segments. To address these limitations, this research introduces LCC-LLM, a code-centric benchmark dataset and evidence-grounded framework for malware attribution and multi-task static malware analysis. The proposed LCCD dataset contains approximately 34K PE samples processed through a large-scale reverse-engineering pipeline and represented using decompiled C code, assembly code, CFG/FCG artifacts, hexadecimal data, PE metadata, suspicious API evidence, and structural features. Beyond dataset construction, LCC-LLM integrates LangGraph-orchestrated static analysis with multi-source cybersecurity knowledge to support evidence-grounded malware reasoning. The framework employs a seven-layer retrieval-augmented generation pipeline, CoVe for IoC validation, and a multi-dimensional quality gate to improve factual reliability and analyst-oriented decision support. Curriculum-ordered instruction data is used to fine-tune DeepSeek-R1-Distill-Qwen-14B and Qwen3-Coder-30B-A3B using QLoRA. Evaluation across 43 malware-analysis task types achieves an average semantic similarity of 0.634, with the highest task-level performance in structured report generation, IoC extraction, vulnerability assessment, malware configuration extraction, and malware class detection. In a real-world case study using MalwareBazaar samples, the grounded pipeline achieves a 10/10 structured analysis pass rate, producing CFG/FCG evidence, MITRE ATT&CK mappings, detection guidance, and analyst-ready reports. These results show that code-centric representations, retrieval grounding, and verification-guided reasoning improve the reliability and operational usefulness of LLM-assisted malware attribution.
• Abstract（参考訳）: LLMは、マルウェア分析のためにますます研究されているが、現在のLLMベースのマルウェア属性は、悪意のあるコードセグメントと脆弱なコードセグメントを識別するためのコードレベルの基盤が不足しているため、サポートされない指標によって制限されている。 これらの制限に対処するために,コード中心のベンチマークデータセットであるLCC-LLMと,マルウェア帰属とマルチタスク静的マルウェア解析のためのエビデンスグラウンドフレームワークを導入する。 提案したLCCDデータセットは,大規模なリバースエンジニアリングパイプラインで処理された約34KのPEサンプルを含み,デコンパイルされたCコード,アセンブリコード,CFG/FCGアーティファクト,ヘキサデシマルデータ,PEメタデータ,不審なAPIエビデンス,構造特徴を用いて表現する。 データセットの構築以外にも、LCC-LLMはLangGraphにオーケストレートされた静的解析とマルチソースサイバーセキュリティ知識を統合して、エビデンスベースのマルウェア推論をサポートする。 このフレームワークは、7層検索拡張生成パイプライン、IoCバリデーション用のCoVe、および多次元品質ゲートを使用して、事実信頼性とアナリスト指向の意思決定サポートを改善している。 QLoRAを用いて、DeepSeek-R1-Distill-Qwen-14BとQwen3-Coder-30B-A3Bを微調整する。 43のマルウェア分析タスクタイプに対する評価は、構造化レポート生成、IoC抽出、脆弱性評価、マルウェア構成抽出、マルウェアクラス検出において最も高いタスクレベルのパフォーマンスを持つ平均的な意味的類似度0.634を達成する。 MalwareBazaarサンプルを用いた実世界のケーススタディでは、基底パイプラインは10/10の構造化された解析パス率を達成し、CFG/FCGエビデンス、MITRE ATT&CKマッピング、検出ガイダンス、アナリスト対応レポートを生成する。 これらの結果は、コード中心の表現、検索基盤、検証誘導推論により、LSM支援マルウェアの信頼性と操作性が改善されていることを示している。

関連論文リスト

• RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs [6.494271734199338]
  本稿では,包括的脆弱性分析レポートを合成するフレームワークであるRAVENを提案する。 脆弱性のあるソースコードが与えられた後、RAVENはGoogle Project Zero Root Cause Analysisテンプレートに従ってレポートを生成する。 NIST-SARDデータセットから15のCWE型をカバーする105の脆弱性コードサンプル上でRAVENを評価する。
  論文  参考訳（メタデータ） (2026-04-20T08:29:48Z)
• A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
  Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。 我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。 PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
  論文  参考訳（メタデータ） (2025-11-19T19:18:28Z)
• Ensembling Large Language Models for Code Vulnerability Detection: An Empirical Evaluation [69.8237598448941]
  本研究では,ソースコードの脆弱性検出において,Large Language Models(LLM)の性能を高めるためのアンサンブル学習の可能性を検討する。 脆弱性検出に適したスタック機能であるDynamic Gated Stacking (DGS)を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:48:22Z)
• LLM-GUARD: Large Language Model-Based Detection and Repair of Bugs and Security Vulnerabilities in C++ and Python [0.0]
  ChatGPT-4、Claude 3、LLaMA 4のような大規模言語モデル(LLM)は、ソフトウェア/アプリケーション開発にますます組み込まれている。 本研究では,プログラムエラー,古典的セキュリティ欠陥,およびC++とPythonの高度なプロダクショングレードバグのベンチマークを用いて,これら3つの主要なLCMの体系的,実証的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-22T14:30:24Z)
• On Benchmarking Code LLMs for Android Malware Analysis [13.932151152280689]
  大規模言語モデル(LLM)は、様々なコードインテリジェンスタスクにおいて強力な機能を示している。 本稿では,Android マルウェア解析における Code LLM の有効性を評価するためのベンチマークフレームワーク CAMA を提案する。
  論文  参考訳（メタデータ） (2025-04-01T12:05:49Z)
• CASTLE: Benchmarking Dataset for Static Code Analyzers and LLMs towards CWE Detection [2.5228276786940182]
  本稿では,異なる手法の脆弱性検出能力を評価するためのベンチマークフレームワークであるCASTLEを紹介する。 我々は,25個のCWEをカバーする250個のマイクロベンチマークプログラムを手作りしたデータセットを用いて,静的解析ツール13,LLM10,形式検証ツール2を評価した。
  論文  参考訳（メタデータ） (2025-03-12T14:30:05Z)
• SeCodePLT: A Unified Platform for Evaluating the Security of Code GenAI [58.29510889419971]
  コード生成大型言語モデル(LLM)のセキュリティリスクと能力を評価するための既存のベンチマークは、いくつかの重要な制限に直面している。 手動で検証し、高品質なシード例から始める、汎用的でスケーラブルなベンチマーク構築フレームワークを導入し、ターゲット突然変異を通じて拡張する。 このフレームワークをPython、C/C++、Javaに適用すると、44のCWEベースのリスクカテゴリと3つのセキュリティ機能にまたがる5.9k以上のサンプルデータセットであるSeCodePLTが構築されます。
  論文  参考訳（メタデータ） (2024-10-14T21:17:22Z)
• Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
  本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。 11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。 最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
  論文  参考訳（メタデータ） (2024-07-23T15:31:26Z)

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。