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
• Authors: David Košťál, Martin Jureček,
• 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

• 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)
• 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)
• 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)
• 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。