論文の概要: AMD-FCG: An Enhanced Function Call Graph Dataset with Integrated Topological Features for Malware Detection and Classification
- arxiv url: http://arxiv.org/abs/2606.06815v1
- Date: Fri, 05 Jun 2026 01:37:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.504179
- Title: AMD-FCG: An Enhanced Function Call Graph Dataset with Integrated Topological Features for Malware Detection and Classification
- Title（参考訳）: AMD-FCG: マルウェア検出と分類のための統合トポロジ的特徴を備えた拡張関数コールグラフデータセット
- Authors: Parthajit Borah, Sakshi Singh, D. K. Bhattacharyya, J. K. Kalita,
- Abstract要約: 本稿では,マルウェアのトポロジ的特徴と統合されたFunction Call GraphデータセットであるAMD-FCGを紹介する。
より効率的で革新的なマルウェア検出システムの開発とデプロイに使用できる。
- 参考スコア（独自算出の注目度）: 0.7093777708568951
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As malware illustrates a complex structure and behavior, detection of these has been a significant challenge in the domain of cybersecurity along with related services in daily life. So, it becomes crucial to have a reliable and adaptive solution to address the issue. Among the several detection methods developed over the years, one of the most reliable ones is studying and analyzing the structural and behavioral patterns of malware. These patterns of sophisticated malware can be obtained with the help of Function Call Graphs (FCGs). However, to effectively cover numerous groups of families of malware, it is required to have a sufficiently large dataset for the system to operate on. In order to ensure accuracy and robustness of the system, the dataset should comprise samples of different malwares and a benign application for secure execution of the detection process. This paper introduces AMD-FCG, an enhanced Function Call Graph dataset integrated with topological features of malwares. The framework enhances the detection procedure, streamlining the workflow for cybersecurity professionals and also eliminating the need for dynamic analysis and extensive processing. Therefore, it can be used to develop and deploy more efficient and innovative malware detection systems.
- Abstract（参考訳）: マルウェアが複雑な構造と行動を示すため、これらを検出することは、サイバーセキュリティの領域と、日常生活における関連サービスにおいて重要な課題となっている。
そのため、この問題に対処するための信頼性と適応性を備えたソリューションを持つことが重要です。
長年に渡り開発されてきたいくつかの検出手法のうち、最も信頼性の高いものは、マルウェアの構造的および行動的パターンの研究と分析である。
これらの高度なマルウェアのパターンは、FCG(Function Call Graphs)の助けを借りて得られる。
しかし,多数のマルウェア群を効果的にカバーするには,システムに十分な大規模なデータセットが必要である。
システムの正確性と堅牢性を確保するため、データセットは異なるマルウェアのサンプルと、検出プロセスのセキュアな実行のための良質なアプリケーションから構成されるべきである。
本稿では,マルウェアのトポロジ的特徴と統合されたFunction Call GraphデータセットであるAMD-FCGを紹介する。
このフレームワークは検出手順を強化し、サイバーセキュリティ専門家のワークフローを合理化するとともに、動的解析や広範囲な処理の必要性を排除している。
したがって、より効率的で革新的なマルウェア検出システムの開発とデプロイに使用できる。
関連論文リスト
- One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。
本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。
本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
論文 参考訳（メタデータ） (2025-08-18T12:36:55Z) - Certifiably robust malware detectors by design [48.367676529300276]
設計によるロバストなマルウェア検出のための新しいモデルアーキテクチャを提案する。
すべての堅牢な検出器を特定の構造に分解することができ、それを経験的に堅牢なマルウェア検出器の学習に適用できることを示す。
我々のフレームワークERDALTはこの構造に基づいている。
論文 参考訳（メタデータ） (2025-08-10T09:19:29Z) - MalVol-25: A Diverse, Labelled and Detailed Volatile Memory Dataset for Malware Detection and Response Testing and Validation [0.0]
既存のデータセットには、多様性、包括的なラベル付け、効果的な機械学習とエージェントAIトレーニングに必要な複雑さが欠如していることが多い。
このギャップを埋めるために、制御された仮想環境における自動マルウェア実行と動的監視ツールを組み合わせたデータセットを生成するための体系的なアプローチを開発した。
得られたデータセットは、複数のマルウェアファミリーとオペレーティングシステムにまたがるクリーンで感染したメモリスナップショットを含み、詳細な振る舞いと環境の特徴をキャプチャする。
論文 参考訳（メタデータ） (2025-07-05T10:45:45Z) - Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection [38.083049237330826]
本研究では,CWE(Common Weaknessions)を用いたPythonコードの識別をシミュレーションすることにより,ソフトウェア脆弱性評価におけるLLM(Large Language Models)の利用について検討する。
その結果,ゼロショットプロンプトは性能が低いが,少数ショットプロンプトは分類性能を著しく向上させることがわかった。
モデル信頼性、解釈可能性、敵の堅牢性といった課題は、将来の研究にとって重要な領域のままである。
論文 参考訳（メタデータ） (2025-06-11T18:43:51Z) - A Novel Approach to Malicious Code Detection Using CNN-BiLSTM and Feature Fusion [2.3039261241391586]
本研究では,マルウェアのバイナリファイルをグレースケールのイメージに変換するためにminhashアルゴリズムを用いる。
この研究は、IDA Proを用いてオペコードシーケンスをデコンパイルし、抽出し、特徴ベクトル化にN-gramとtf-idfアルゴリズムを適用した。
CNN-BiLSTM融合モデルは、画像の特徴とオプコードシーケンスを同時に処理し、分類性能を向上させるように設計されている。
論文 参考訳（メタデータ） (2024-10-12T07:10:44Z) - Profile of Vulnerability Remediations in Dependencies Using Graph
Analysis [40.35284812745255]
本研究では,グラフ解析手法と改良型グラフ注意畳み込みニューラルネットワーク(GAT)モデルを提案する。
制御フローグラフを分析して、脆弱性の修正を目的とした依存性のアップグレードから発生するアプリケーションの変更をプロファイルします。
結果は、コード脆弱性のリレーショナルダイナミクスに関する微妙な洞察を提供する上で、強化されたGATモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-03-08T02:01:47Z) - Comprehensive evaluation of Mal-API-2019 dataset by machine learning in malware detection [0.5475886285082937]
本研究では,機械学習技術を用いたマルウェア検出の徹底的な検討を行う。
その目的は、脅威をより効果的に識別し緩和することで、サイバーセキュリティの能力を向上させることである。
論文 参考訳（メタデータ） (2024-03-04T17:22:43Z) - Discovering Malicious Signatures in Software from Structural
Interactions [7.06449725392051]
本稿では,ディープラーニング,数学的手法,ネットワーク科学を活用する新しいマルウェア検出手法を提案する。
提案手法は静的および動的解析に焦点をあて,LLVM(Lower-Level Virtual Machine)を用いて複雑なネットワーク内のアプリケーションをプロファイリングする。
弊社のアプローチは、マルウェアの検出を大幅に改善し、より正確で効率的なソリューションを提供する。
論文 参考訳（メタデータ） (2023-12-19T23:42:20Z) - A survey on hardware-based malware detection approaches [45.24207460381396]
ハードウェアベースのマルウェア検出アプローチは、ハードウェアパフォーマンスカウンタと機械学習技術を活用する。
このアプローチを慎重に分析し、最も一般的な方法、アルゴリズム、ツール、および輪郭を形成するデータセットを解明します。
この議論は、協調的有効性のための混合ハードウェアとソフトウェアアプローチの構築、ハードウェア監視ユニットの不可欠な拡張、ハードウェアイベントとマルウェアアプリケーションの間の相関関係の理解を深めている。
論文 参考訳（メタデータ） (2023-03-22T13:00:41Z) - Visual Causality Analysis of Event Sequence Data [32.74361488457415]
イベントシーケンスデータの因果関係を復元する視覚解析手法を提案する。
我々は,Hawkesプロセス上のGranger因果解析アルゴリズムを拡張し,ユーザフィードバックを因果モデルの改良に組み込む。
論文 参考訳（メタデータ） (2020-09-01T04:28:28Z)
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。