論文の概要: Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection

• arxiv url: http://arxiv.org/abs/2605.18624v1
• Date: Mon, 18 May 2026 16:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.090506
• Title: Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection
• Title（参考訳）: APIインポートインジェクションによるマルウェア検出者の侵入を目標に
• Authors: Juozas Dautartas, Olga Kurasova, Juozapas Rokas Čypas, Viktor Medvedev,
• Abstract要約: 機械学習ベースのマルウェア検出装置は、アンチウイルスやエンドポイント検出システムに広くデプロイされている。 本稿では,マルウェアサンプルを特定の良性ソフトウェアカテゴリに意図的に分類できるかどうかを検討する。 本稿では,デコーダを厳密に付加した条件変分オートエンコーダ(CVAE)を中心としたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.03110995905282904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning-based malware detectors are widely deployed in antivirus and endpoint detection systems, yet their reliance on static features makes them vulnerable to adversarial manipulation. This paper investigates whether a malware sample can be intentionally misclassified as a specific benign software category, not merely as "not malware", by adding a small number of Win32 API imports characteristic of that selected category, without removing any existing imports or retraining the detector. We propose a framework centered on a Conditional Variational Autoencoder (CVAE) whose decoder is strictly additive. It can introduce new API calls but never remove existing ones, preserving malware functionality by design. For each malware sample, the framework automatically identifies which benign category it most closely resembles and uses that as the evasion target. A knowledge-distilled differentiable proxy enables gradient-based training against the non-differentiable ensemble detector. Experiments on a six-class dataset of binary Win32 API import vectors extracted from 3,799 Windows executables (five benign categories, one malware class) show that, against a detector achieving 87.5% malware recall, adding just 20 API imports reduces recall to 30%. At k=20, among samples that evaded detection, 99% are classified as the intended target category. The CVAE outperforms both a frequency-based baseline and random selection at every tested injection size (k = 5 to 50). Validation on real PE files submitted to VirusTotal confirms that the attack transfers to commercial static detection engines, with an average 54.5% reduction in flagging engines. These findings expose a concrete vulnerability in API-based malware classifiers and demonstrate that targeted evasion into a chosen benign category is achievable with minimal, functionality-preserving modifications.
• Abstract（参考訳）: 機械学習ベースのマルウェア検出装置は、アンチウイルスやエンドポイント検出システムに広くデプロイされているが、静的な機能に依存しているため、敵の操作に弱い。 本稿では,マルウェアのサンプルを,単に「マルウェアではない」というだけではなく,意図的に特定の良性ソフトウェアカテゴリに分類できるかどうかを,既存のインポートを削除したり,検出器を再訓練したりすることなく,選択したカテゴリの特徴を持つWin32 APIインポートを少数追加することによって検討する。 本稿では,デコーダを厳密に付加した条件変分オートエンコーダ(CVAE)を中心としたフレームワークを提案する。 新しいAPIコールを導入することもできるが、既存の呼び出しを削除せず、設計によるマルウェア機能を保存する。 各マルウェアサンプルに対して、フレームワークはどの良性カテゴリに最もよく似ているかを自動的に識別し、回避ターゲットとして使用する。 知識蒸留可能な微分可能なプロキシは、非微分可能なアンサンブル検出器に対する勾配ベースのトレーニングを可能にする。 3.799のWindows実行可能ファイル(5つの良性カテゴリ、1つのマルウェアクラス)から抽出されたバイナリWin32 APIインポートベクターの6クラスデータセットの実験は、87.5%のマルウェアリコールを達成した検出器に対して、20のAPIインポートを追加するだけでリコールが30%削減されることを示している。 k=20では、検出を回避したサンプルのうち99%が目的とする対象カテゴリに分類される。 CVAEは、試験された各注入サイズ(k = 5〜50)において、周波数ベースベースラインとランダムセレクションの両方に優れる。 VirusTotalに提出された実際のPEファイルの検証では、攻撃が商用の静的検出エンジンに転送され、平均54.5%のフラグングエンジンが削減された。 これらの発見は、APIベースのマルウェア分類器の具体的な脆弱性を明らかにし、選択された良性カテゴリへのターゲットの回避が、最小限の機能保存修正によって達成可能であることを示す。

関連論文リスト

• Trust Under Siege: Label Spoofing Attacks against Machine Learning for Android Malware Detection [11.53708766953391]
  これは、最小限で検出不能な悪意のあるパターンを埋め込むことによって、クラウドソースデータセットを汚染する新たな脅威である。 我々は、現実的なデータソースを汚染する手法であるAndroVenomを開発することで、このシナリオを実証する。 実験により、最先端の機能抽出器はそのようなインジェクションをフィルタリングできないだけでなく、さまざまなMLモデルがDenial of Serviceを経験していることが示されている。
  論文  参考訳（メタデータ） (2025-03-14T20:05:56Z)
• Mitigating the Impact of Malware Evolution on API Sequence-based Windows Malware Detector [5.953199557879621]
  APIシーケンスに基づく手法は、マルウェア予防において重要な役割を果たす。 進化したマルウェアサンプルは、しばしば、進化前のサンプルのAPIシーケンスを使用して、同様の悪意のある振る舞いを達成する。 本稿では,既存のAPIシーケンスに基づくマルウェア検出機能を拡張可能なフレーム(MME)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-03T04:21:24Z)
• 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)
• Behavioural Reports of Multi-Stage Malware [3.64414368529873]
  このデータセットは、Windows 10仮想マシンで実行される数千のマルウェアサンプルに対するAPI呼び出しシーケンスを提供する。 このデータセットの作成と拡張のチュートリアルと、このデータセットを使用してマルウェアを分類する方法を示すベンチマークが提供されている。
  論文  参考訳（メタデータ） (2023-01-30T11:51:02Z)
• An Efficient Multi-Step Framework for Malware Packing Identification [0.8594140167290096]
  そこで本研究では,サンプルの分類と識別を行うフレームワークを提案する。 最初のステップでは、CARTアルゴリズムと置換重要度を用いて、重要な20の機能をプリセレクトする。 第2のステップでは、各モデルが、満載ファイルを最高のパフォーマンスで分類するための20の事前選択された特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-17T05:03:14Z)
• 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)
• Evading Malware Classifiers via Monte Carlo Mutant Feature Discovery [23.294653273180472]
  悪意のあるアクターが代理モデルを訓練して、インスタンスが誤分類される原因となるバイナリ変異を発見する方法を示す。 そして、変異したマルウェアが、抗ウイルスAPIの代わりとなる被害者モデルに送られ、検出を回避できるかどうかをテストする。
  論文  参考訳（メタデータ） (2021-06-15T03:31:02Z)
• 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)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)

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。