Fugu-MT 論文翻訳(概要): Building an Adversarial Malware Dataset by Family and Type: Generation, Evasion, and Poisoning Evaluation

論文の概要: Building an Adversarial Malware Dataset by Family and Type: Generation, Evasion, and Poisoning Evaluation

arxiv url: http://arxiv.org/abs/2605.25937v1
Date: Mon, 25 May 2026 15:17:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:20.425311
Title: Building an Adversarial Malware Dataset by Family and Type: Generation, Evasion, and Poisoning Evaluation
Title（参考訳）: 家族とタイプによる敵対的マルウェアデータセットの構築:生成・普及・中毒評価
Abstract要約: 実世界のマルウェアバイナリの公開RawMal-TFコレクションから得られた,敵対的なマルウェアサンプルのデータセットを提案する。敵のマルウェア生成装置群を用いて, 44,347のファミリーラベル付きサンプルと33,596のタイプラベル付きサンプルの2組の逆PEファイルを構築した。各対向バイナリには、EMBERスコアや VirusTotal 分類を含む詳細なメタデータが添付されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a dataset of adversarial malware samples derived from the public RawMal-TF collection of real-world malware binaries. Using a suite of adversarial malware generators, we construct two sets of adversarial PE files: 44,347 family-labelled samples and 33,596 type-labelled samples, achieving evasion rates of 98.35 % and 92.20 % against the EMBER classifier, respectively. Each adversarial binary is accompanied by detailed metadata, including EMBER scores and VirusTotal classifications. We further demonstrate the susceptibility of malware classification pipelines to data poisoning attacks through a series of training experiments. Injecting fully mislabelled adversarial samples representing only 0.5 % of the training data in the family-labelled dataset increases the evasion rate against the re-trained classifier from 26.1 % to 92.8 %. The dataset is publicly released to facilitate future research on adversarial malware, poisoning attacks, and the robustness of machine-learning-based malware detection systems.
Abstract（参考訳）: 実世界のマルウェアバイナリの公開RawMal-TFコレクションから得られた,敵対的なマルウェアサンプルのデータセットを提案する。敵のマルウェア生成装置群を用いて, ELBER分類器に対してそれぞれ98.35 %, 92.20 %の回避率が得られる44,347のファミリーラベル付きサンプルと33,596のタイプラベル付きサンプルの2組の逆PEファイルを構築した。各対向バイナリには、EMBERスコアや VirusTotal 分類を含む詳細なメタデータが添付されている。さらに、一連のトレーニング実験を通じて、データ中毒攻撃に対するマルウェア分類パイプラインの感受性を実証する。家族ラベル付きデータセットにおいて、トレーニングデータの0.5%しか表現していない完全に不正な対逆サンプルを注入すると、再訓練された分類器に対する回避率が26.1%から92.8%に増加する。このデータセットは、敵のマルウェア、中毒攻撃、および機械学習ベースのマルウェア検出システムの堅牢性に関する将来の研究を促進するために、一般公開されている。

関連論文リスト

Empirical Analysis of Evasion and Poisoning Against Malware Data Drift Detection [30.004111950667113]
データドリフト検出器ツールは、異なる目的のために設計され、異なる技術で構築される。機械学習ベースのマルウェア分類器に対する侵入と中毒攻撃は、マルウェアサンプルの誤分類を引き起こす可能性がある。本研究は, マルウェア分類器とともにデータドリフト検出器に対する回避攻撃と中毒攻撃の効果について検討する。
論文参考訳（メタデータ） (2026-08-04T13:27:57Z)
RawMal-TF: Raw Malware Dataset Labeled by Type and Family [1.2289361708127875]
この研究は、マルウェアの種類と家族レベルの両方にラベル付けされた新しいデータセットを開発することによって、機械学習を用いたマルウェア分類の課題に対処する。データセットには14のマルウェアタイプと17のマルウェアファミリーが含まれており、統合された特徴抽出パイプラインを使用して処理された。マルウェアと良性サンプルのバイナリ分類において、ランダムフォレストとXGBoostは全データセットに対して高い精度を達成した。
論文参考訳（メタデータ） (2025-06-30T14:38:01Z)
EMBER2024 -- A Benchmark Dataset for Holistic Evaluation of Malware Classifiers [34.77788258445852]
本稿では,マルウェア分類器の全体的評価を可能にする新しいデータセットEMBER2024を提案する。本データセットは,7つのマルウェア分類タスクにおける機械学習モデルのトレーニングと評価を支援する。 EMBER2024は、最初はアンチウイルス製品によって検出されなかった悪意のあるファイルのコレクションを含む最初のものである。
論文参考訳（メタデータ） (2025-06-05T14:20:36Z)
CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
論文参考訳（メタデータ） (2024-10-30T15:06:44Z)
Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
論文参考訳（メタデータ） (2024-08-15T13:26:13Z)
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)
Classification and Online Clustering of Zero-Day Malware [4.409836695738518]
本稿では,既存の家族に割り当てるために,あるいは新たな家族のサンプルをクラスタリングするために,入ってくる悪意のあるサンプルをオンラインに処理することに焦点を当てる。マルチ層パーセプトロンの分類スコアに基づいて,どのサンプルを分類し,どのサンプルを新しいマルウェア群に分類するかを決定した。
論文参考訳（メタデータ） (2023-05-01T00:00:07Z)
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)
New Datasets for Dynamic Malware Classification [0.0]
悪意のあるソフトウェアであるVrusSamplesとVrusShareの2つの新しい、更新されたデータセットを紹介します。本稿では、これらの2つのデータセットのバランスとバランスの取れていないバージョンにおけるマルチクラスのマルウェア分類性能について分析する。その結果,不均衡なVirusSampleデータセットでは,Support Vector Machineが94%のスコアを達成していることがわかった。最も一般的な勾配向上ベースのモデルのひとつであるXGBoostは、VirusShareデータセットの両バージョンにおいて、90%と80%のスコアを達成している。
論文参考訳（メタデータ） (2021-11-30T08:31:16Z)
How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文参考訳（メタデータ） (2020-12-02T15:30:21Z)
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)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。