論文の概要: Malaika: Understanding Malware through Tri-Grounded Agentic Reasoning
- arxiv url: http://arxiv.org/abs/2607.09179v1
- Date: Fri, 10 Jul 2026 08:13:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 16:48:13.426896
- Title: Malaika: Understanding Malware through Tri-Grounded Agentic Reasoning
- Title（参考訳）: マライカ:三枚組のエージェント推論でマルウェアを理解する
- Abstract要約: マルウェアの理解を根拠的推論問題として定式化する。
マライカは3つの基盤機構を運用するマルチエージェントフレームワークである。
- 参考スコア（独自算出の注目度）: 10.766172016168662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent LLM-based systems have shown promising capabilities for security-focused code analysis. Malware understanding, however, poses a distinct challenge: analysts must reconstruct high-level malicious behaviors under partial observability from sparse, dispersed evidence intertwined with benign functionality. While static analysis can expose security-relevant signals, the central challenge is not merely identifying suspicious code, but determining whether the evidence sufficiently supports an auditable behavior-level conclusion. We formulate malware understanding as a grounded reasoning problem and argue that reliable behavior reconstruction requires three complementary forms of grounding. Domain grounding constrains how behavior hypotheses are generated and evaluated, semantics grounding localizes and connects supporting program evidence, and knowledge grounding supports behavioral attribution through externally verifiable threat knowledge. To study this hypothesis, we present Malaika, a multi-agent framework that operationalizes the three grounding mechanisms through analyst-inspired reasoning, tool-mediated evidence localization, and retrieval-based behavioral attribution. We instantiate Malaika for Android malware analysis and evaluate it on malware-understanding tasks. Results show that Malaika improves analysis quality over prior LLM-based malware-analysis frameworks and demonstrate that reliability depends not only on model capability but also on the reasoning process. In particular, comparisons against malware-analysis systems and frontier agentic frameworks show that grounding-aware reasoning produces more precise and auditable conclusions. Ablation studies further support the grounding hypothesis. These findings suggest that grounding-aware reasoning provides a principled foundation for reliable malware understanding and, more broadly, for evidence-grounded software analysis.
- Abstract（参考訳）: 最近のLLMベースのシステムでは、セキュリティに重点を置くコード分析に有望な能力を示している。
しかし、マルウェアの理解は、明らかな課題である:アナリストは、部分的に観察可能で、良心的な機能に絡み合った、散在する証拠から、高度な悪意のある振る舞いを再構築しなければならない。
静的解析はセキュリティ関連信号を公開することができるが、中心的な課題は、疑わしいコードを識別するだけでなく、証拠が監査可能な行動レベルの結論を十分に支持するかどうかを判断することである。
マルウェアの理解を根拠的推論問題として定式化し、信頼性のある行動再構成には3つの相補的な根拠が必要であると論じる。
ドメイン・グラウンディング(Domain Grounding)は、振る舞い仮説の生成と評価の方法、セマンティックス・グラウンディング(semantics grounding)は、プログラム証拠のローカライズと接続、ナレッジ・グラウンディング(nowledge grounding)は、外部から検証された脅威知識を通じて行動帰属をサポートする。
この仮説を考察するために,分析にインスパイアされた推論,ツールによるエビデンス・ローカライゼーション,検索に基づく行動帰属という3つの基盤メカニズムを運用するマルチエージェント・フレームワークであるMaraikaを提案する。
マライカをAndroidのマルウェア解析のためにインスタンス化し、マルウェアに見当たらないタスクで評価する。
結果から,Maraikaは従来のLSMベースのマルウェア分析フレームワークよりも解析品質を向上し,信頼性がモデル能力だけでなく推論プロセスにも依存していることが示唆された。
特に、マルウェア分析システムとフロンティアエージェントフレームワークとの比較では、基底認識推論によりより正確で監査可能な結論が得られている。
アブレーション研究は根拠仮説をさらに支持している。
これらの知見は, 根拠を意識した推論が, 信頼性のあるマルウェア理解の基盤となり, より広範に, 証拠に基づくソフトウェア解析の基盤となることを示唆している。
関連論文リスト
- AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。
本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
論文 参考訳（メタデータ） (2026-08-26T11:48:38Z) - Agentic Root Cause Analysis through Evidence-Grounded Reasoning [16.37572484400141]
AgentRCAはエビデンス基底根本原因分析のためのゼロショットエージェントフレームワークである。
データ駆動型ディジタルツインとツール拡張された大きな言語モデルを組み合わせることで、推論時推論を実行する。
障害固有のトレーニングに頼ることなく、完全に教師されたベースラインと競合する診断性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T15:10:41Z) - Mechanistic Interpretability of LLM Jailbreaks via Internal Attribution Graphs [0.8658568246382029]
大きな言語モデル(LLM)は優れた能力を示すが、敵のプロンプトやジェイルブレイク攻撃に対して非常に脆弱である。
既存のアプローチは主にインプット・アウトプット・ビヘイビアや属性・メソッドを通じてこれらの障害を分析する。
ペア化された内部計算グラフを用いて脆弱性を診断する機構的フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-08T20:31:06Z) - Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。
その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。
本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
論文 参考訳（メタデータ） (2026-07-07T03:20:52Z) - Causal Scaffolding for Physical Reasoning: A Benchmark for Causally-Informed Physical World Understanding in VLMs [49.55219052565761]
CausalPhysは、知覚、予測、介入、目標指向という4つの領域にまたがる、ビデオと画像に基づく3000以上の慎重にキュレートされた質問のベンチマークである。
各質問は、専門家がアノテートした因果グラフがオブジェクト・属性・イベントの依存関係をキャプチャし、因果理解の解釈可能かつきめ細かい評価を可能にする。
これに基づいて、モデルの連鎖推論が正しい因果関係とどの程度うまく一致しているかを定量的に測定する因果グラフ基底計量を定式化する。
本稿では,CRFT(Causal Rationale-informed Fine-Tuning)を提案する。
論文 参考訳（メタデータ） (2026-06-04T10:07:05Z) - Position: Anthropomorphic Misalignment Research Needs Stronger Evidence [52.76826423649968]
概念的曖昧さ,非ロバストデータセット,実験設計,不十分な因果的介入が,モデル行動の過度な解釈につながることを示す。
本研究の目的は,AMRの方法論的厳密性向上に寄与する明らかな考察のガイダンスを提供することである。
論文 参考訳（メタデータ） (2026-05-29T16:38:53Z) - Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。
25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。
私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
論文 参考訳（メタデータ） (2025-10-01T07:59:03Z) - Beyond Classification: Evaluating LLMs for Fine-Grained Automatic Malware Behavior Auditing [14.680014912507774]
MalEvalは、きめ細かいAndroidマルウェア監査のための包括的なフレームワークである。
近年のマルウェアおよび誤分類良性アプリのキュレートされたデータセットを用いて,広く使用されている7つのLCMを評価した。
MalEvalは、監査段階にまたがる有望な可能性とクリティカルな制限を明らかにしている。
論文 参考訳（メタデータ） (2025-09-17T18:05:21Z) - TraceRAG: A LLM-Based Framework for Explainable Android Malware Detection and Behavior Analysis [8.977634735108895]
本稿では,TraceRAGを紹介した。TraceRAGは,マルウェアの検出と解析を行うための検索拡張世代(RAG)フレームワークである。
まず、TraceRAGは、ベクトルデータベースにインデックスされたメソッドレベルのコードスニペットの要約を生成する。
クエリ時に、行動に焦点を当てた質問は、より深い検査のために最も意味のあるスニペットを検索する。
最後に、マルチターン解析結果に基づいて、TraceRAGは、識別された悪意のある振る舞いとその対応するコード実装を示す人間可読レポートを生成する。
論文 参考訳（メタデータ） (2025-09-10T06:07:12Z) - SafeMLRM: Demystifying Safety in Multi-modal Large Reasoning Models [50.34706204154244]
推論能力の獲得は、引き継がれた安全アライメントを壊滅的に劣化させる。
特定のシナリオは、25倍の攻撃率を被る。
MLRMは、厳密な推論と問合せの安全結合にもかかわらず、初期段階の自己補正を示す。
論文 参考訳（メタデータ） (2025-04-09T06:53:23Z) - Explainable Artificial Intelligence (XAI) for Malware Analysis: A Survey of Techniques, Applications, and Open Challenges [0.0]
説明可能なAI(XAI)は、強力な検出能力を保ちながら、モデルの解釈可能性を向上させることで、このギャップに対処する。
我々は,既存のXAIフレームワーク,マルウェア分類・検出への応用,およびマルウェア検出モデルをより解釈可能なものにする上での課題について検討する。
この調査は、サイバーセキュリティにおけるMLのパフォーマンスと説明可能性のギャップを埋めようとしている研究者や実践者にとって、貴重なリソースとなる。
論文 参考訳（メタデータ） (2024-09-09T08:19:33Z)
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。