論文の概要: DroidBreaker: Practical and Functional Problem-Space Attacks on Machine-Learning Android Malware Detectors

• arxiv url: http://arxiv.org/abs/2606.26707v1
• Date: Thu, 25 Jun 2026 07:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.194509
• Title: DroidBreaker: Practical and Functional Problem-Space Attacks on Machine-Learning Android Malware Detectors
• Title（参考訳）: DroidBreaker: マシン学習型Androidマルウェア検出装置における実用的で機能的な問題空間攻撃
• Abstract要約: アドリアAPK(Adrial APK)は、機械学習のマルウェア検出を回避するために問題空間で修正されたAndroidアプリケーションである。 DROIDBREAKERは実用的(ビルドセーフ)で機能的(セマンティック保存)な問題空間攻撃フレームワークである。
• 参考スコア（独自算出の注目度）: 11.25551665285821
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial APKs are Android applications modified in the problem space to evade machine-learning malware detectors. In this work, we first show that, despite claims, existing problem-space attacks remain largely impractical. Most techniques leverage software transplantation to inject entire benign modules, introducing many side-effect features and often causing build-time failures. Fine-grained methods that inject only a narrow subset of components exhibit limited effectiveness, while those that also use obfuscation rely on brittle bytecode rewriting, producing APKs that are syntactically valid but semantically unusable. Prior work further overestimates attack success rates by running smoke tests that only validate installation and basic execution, without assessing whether the modified APK still preserves its intended behavior. To overcome these limitations, we present DROIDBREAKER, a practical (build-safe) and functional (semantics-preserving) problem-space attack framework that provides: (i) query-efficient white- and black-box attacks by manipulating only the APK components most influential to the target model; (ii) a set of fine-grained, build-safe manipulations (including injection and obfuscation of API calls, app modules, permissions, and URLs) with minimal side effects; and (iii) a semantics-preserving functionality test that enforces runtime equivalence by comparing execution logs and API-level traces between the initial and the modified APK. Evaluated on a recent corpus of Android applications, DROIDBREAKER achieves high evasion rates with few queries and minimal side effects in both white-box and black-box settings, and drastically reduces detections by commercial malware scanners hosted on VirusTotal.
• Abstract（参考訳）: 逆APK(Adversarial APK)は、機械学習のマルウェア検出を回避するために問題空間で修正されたAndroidアプリケーションである。 この研究において、我々はまず、主張にもかかわらず、既存の問題空間攻撃は殆ど実用的でないことを示した。 ほとんどのテクニックは、ソフトウェア移植を利用して良質なモジュール全体を注入し、多くのサイドエフェクト機能を導入し、ビルド時の障害を引き起こします。 狭いコンポーネントのサブセットだけを注入するきめ細かいメソッドは、有効性に制限がある一方で、難読化を使用するメソッドは脆いバイトコードの書き換えに依存しており、構文的に有効だが意味的に使用できないAPKを生成する。 以前の作業では、改善されたAPKが意図した動作を維持しているかどうかを評価することなく、インストールと基本的な実行のみを検証するスモークテストを実行することで、攻撃の成功率をさらに過大評価している。 これらの制限を克服するため、DROIDBREAKERという実用的(ビルドセーフ)で機能的(セマンティック保存)な問題空間攻撃フレームワークを紹介します。 (i)ターゲットモデルに最も影響を及ぼすAPKコンポーネントのみを操作することで、クエリ効率のよい白黒ボックス攻撃 (ii)API呼び出し、アプリモジュール、パーミッション、URLの注入と難読化を含む、きめ細かい、ビルドセーフな操作のセット。 (iii)初期および修正APK間の実行ログとAPIレベルのトレースを比較して実行時等価性を強制するセマンティクス保存機能テスト。 最近のAndroidアプリケーションのコーパスに基づいて評価され、DROIDBREAKERは、クエリが少なく、ホワイトボックスとブラックボックスの設定の両方で副作用が最小限に抑えられ、VirusTotalにホストされている商用マルウェアスキャナによる検出を大幅に削減する。

関連論文リスト

• ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection [0.07817813851272346]
  本研究では,アプリケーション動作を分析し,複雑なマルウェアを正確に識別・分類するリアルタイムAndroidマルウェア検出フレームワークを提案する。 提案フレームワークは、悪意のあるアプリケーションのタイムリーな検出を可能にし、サイバー攻撃のリスクを低減することにより、モバイルデバイスのセキュリティを高めることができる。
  論文  参考訳（メタデータ） (2026-08-04T07:21:51Z)
• Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors [48.881343993730844]
  安全性に整合した大規模言語モデル(LLM)は、現実世界のパイプラインにますますデプロイされている。 敵は通常の評価では動作しないバックドアのチェックポイントを配布することができる。 最近のポストホック重み付け法は、そのようなバックドアを注入するための効率的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-14T06:48:33Z)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• DataSentinel: A Game-Theoretic Detection of Prompt Injection Attacks [87.66245688589977]
  LLM統合されたアプリケーションとエージェントは、インジェクション攻撃に弱い。 検出方法は、入力が注入プロンプトによって汚染されているかどうかを判定することを目的とする。 本研究では,迅速なインジェクション攻撃を検出するゲーム理論手法であるDataSentinelを提案する。
  論文  参考訳（メタデータ） (2025-04-15T16:26:21Z)
• BERTDetect: A Neural Topic Modelling Approach for Android Malware Detection [13.387599470973807]
  現在、Webアクセスは主にモバイルデバイスで行われ、Androidはモバイルデバイス市場のかなりのシェアを占めている。 Google Play Protectやアンチウイルスソフトウェアのようなツールを通じて悪意ある攻撃と戦う努力にもかかわらず、新しく進化したマルウェアはAndroidデバイスに侵入し続けている。 ソースコード解析は有効だが限定的であり、攻撃者は検出を避けるために新しい変種のために古いマルウェアをすぐに放棄する。
  論文  参考訳（メタデータ） (2025-03-23T12:09:44Z)
• Fundamental Limitations in Pointwise Defences of LLM Finetuning APIs [56.84338097581665]
  細調整APIの防御は、細調整攻撃を防ぐ能力に基本的に制限されていることを示す。 我々は、危険知識を隠蔽的に伝達するために、良性モデル出力のエントロピーを再利用する'ポイントワイド検出不能'アタックを構築した。 OpenAIの微調整APIに対する攻撃をテストし、有害な複数の質問に対する回答を導き出すことに成功しました。
  論文  参考訳（メタデータ） (2025-02-20T18:45:01Z)
• Shelving it rather than Ditching it: Dynamically Debloating DEX and Native Methods of Android Applications without APK Modification [29.467587717542013]
  3DNDroidは、AnDroidアプリのDEXメソッドとNativeメソッドの両方をターゲットにしたDynamic Debloatingアプローチである。 これは、デ肥大化したバイトコードメソッドの呼び出しをインターセプトし、それらの解釈、コンパイル、実行を防ぐ。 評価では、3DNDroidが187のDEXメソッドと30のネイティブメソッドを55の現実世界のアプリケーションでデブロする能力を示している。
  論文  参考訳（メタデータ） (2025-01-09T04:34:00Z)
• 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)
• EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection [2.2811510666857546]
  EvadeDroidは、現実のシナリオでブラックボックスのAndroidマルウェア検出を効果的に回避するために設計された、問題空間の敵攻撃である。 EvadeDroidは, DREBIN, Sec-SVM, ADE-MA, MaMaDroid, Opcode-SVMに対して, 1-9クエリで80%-95%の回避率を達成した。
  論文  参考訳（メタデータ） (2021-10-07T09:39:40Z)
• 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。