論文の概要: ProfMalPlus: Agent-Coordinated Detection of Malicious NPM Packages via Static-Dynamic Analysis Synergy

• arxiv url: http://arxiv.org/abs/2607.13965v1
• Date: Wed, 15 Jul 2026 15:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.825412
• Title: ProfMalPlus: Agent-Coordinated Detection of Malicious NPM Packages via Static-Dynamic Analysis Synergy
• Title（参考訳）: ProfMalPlus:静的動的解析による悪性NPMパッケージのエージェント協調検出
• Abstract要約: ProfMalPlusは、オブジェクト感性行動グラフと協調LLM推論を組み合わせた悪質なNPMパッケージ検出器である。 インストールコマンドとエントリファイルを識別し、機密性の高いAPI、サードパーティの呼び出し、未解決の呼び出しをキャプチャしたグラフを構築する。 ProfMalPlusは98.1%のF1スコアを獲得し、最先端の検出器を3.5%から52.6%向上させた。
• 参考スコア（独自算出の注目度）: 23.914217277586477
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Open source software is vulnerable to supply-chain attacks through transitive dependencies, especially malicious code injected into NPM packages. Existing detectors often inadequately model obfuscated behavior, overlook JavaScript's object-centric features, poorly coordinate static and dynamic analysis, and lose semantic information during behavior abstraction. We propose ProfMalPlus, a malicious NPM package detector combining object-sensitive behavior graphs with coordinated LLM reasoning over annotated code slices. It identifies installation commands and entry files, then constructs graphs capturing sensitive APIs, third-party calls, and unresolved calls. From these graphs, ProfMalPlus extracts security-relevant slices and adds inline static analysis evidence. Local judge agents independently assess each slice. Self-consistency consolidates repeated judgements to reduce LLM variance, while a global judge synthesizes their reports into an entry-level verdict. For undetermined cases, a router selects either third-party enrichment, which adds registry derived module and method semantics, or dynamic augmentation, which executes the package in a sandbox to resolve runtime dependent behavior. The enriched evidence is fed back for reassessment. Finally, a localization agent reports malicious code snippets with explanations. ProfMalPlus achieves a 98.1% F1-score, outperforming state-of-the-art detectors by 3.5% to 52.6%. It also identified 597 previously unknown malicious packages, all confirmed and removed from NPM.
• Abstract（参考訳）: オープンソースソフトウェアは、過渡的な依存関係、特にNPMパッケージに注入された悪意のあるコードによるサプライチェーン攻撃に対して脆弱である。 既存の検出器は、しばしば難解な振る舞いをモデル化しておらず、JavaScriptのオブジェクト中心の機能を見落とし、静的および動的解析のコーディネートが不十分で、動作抽象化中に意味情報を失う。 アノテーション付きコードスライス上での協調LLM推論とオブジェクト感性行動グラフを組み合わせた悪意のあるNPMパッケージ検出器であるProfMalPlusを提案する。 インストールコマンドとエントリファイルを識別し、機密性の高いAPI、サードパーティの呼び出し、未解決の呼び出しをキャプチャしたグラフを構築する。 これらのグラフから、ProfMalPlusはセキュリティ関連スライスを抽出し、インライン静的分析エビデンスを追加する。 地方判事はそれぞれのスライスを独立して評価する。 自己整合性(Self-Consistency)は、LCMの分散を減らすために繰り返しの判断を集約し、グローバルな裁判官はレポートをエントリーレベルの判断に合成する。 未決定の場合、ルータは、レジストリから派生したモジュールとメソッドのセマンティクスを追加するサードパーティのエンリッチメント、あるいは、実行時依存の振る舞いを解決するためにサンドボックス内でパッケージを実行する動的拡張のいずれかを選択する。 豊富な証拠は再評価のために送り返される。 最後に、ローカライゼーションエージェントは、説明付き悪意のあるコードスニペットを報告する。 ProfMalPlusは98.1%のF1スコアを獲得し、最先端の検出器を3.5%から52.6%向上させた。 また、NPMから確認および削除された、これまで未知の悪意のあるパッケージ597も特定した。

関連論文リスト

• LMSM: LLM Security Framework Inspired by Linux Security Modules [56.93644694627783]
  大規模言語モデル(LLM)は階層化されたディフェンスでデプロイされることが多いが、悪意のあるプロンプトはそれらをバイパスすることができる。 我々は,Language Model Security Modules (LMSM) という,Linux Security Modules (LSM) の背後にある分離を LLM サービスに適応させるセキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-26T12:13:05Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• AutoTrace: From Patches to Triggers via Agentic Interprocedural Exploration [6.39392731596656]
  脆弱性修正コミットが与えられた場合、トリガーローカライゼーションは、脆弱性のあるプログラム状態を具体的な安全でない操作に変換する特定のステートメントを問う。 脆弱性トリガをローカライズするエージェントパイプラインであるAutoTraceについて,コードプロパティグラフ層を層単位で探索することによって紹介する。 エージェントは自身の権限でトリガーを決して受け入れない。報告されたトリガーはすべて、グラフから引き出された明確な証拠によって裏付けられている。
  論文  参考訳（メタデータ） (2026-07-13T18:21:42Z)
• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection [32.301679396929536]
  静的な入力フィルタリングから実行対応分析へ、防御パラダイムをシフトするフレームワークであるSysNameを提案する。 SysNameは断片化された操作プリミティブを連続した行動軌跡に合成し、システムアクティビティの全体像を可能にする。 実証的な評価により、SysNameは10以上の異なる複合攻撃ベクトルを効果的に検出し、それぞれノードレベルとパスレベルのエンドツーエンド攻撃検出に対して85.3%と66.7%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-03-04T01:59:16Z)
• Bridging Expert Reasoning and LLM Detection: A Knowledge-Driven Framework for Malicious Packages [10.858565849895314]
  NPMやPyPIといったオープンソースエコシステムは、サプライチェーン攻撃によってますます標的になってきている。 我々は、専門家による解析的推論を自動化された悪意のあるパッケージ検出に統合する、検索強化世代(RAG)ベースのフレームワークであるIntelGuardを紹介する。
  論文  参考訳（メタデータ） (2026-01-23T05:31:12Z)
• Multi-Agent Taint Specification Extraction for Vulnerability Detection [49.27772068704498]
  コンテナ分析を使用した静的アプリケーションセキュリティテスト(SAST)ツールは、高品質な脆弱性検出結果を提供するものとして広く見なされている。 本稿では,Large Language Models (LLM) のセマンティック理解と従来の静的プログラム解析を戦略的に組み合わせたマルチエージェントシステムであるSemTaintを提案する。 私たちは、SemTaintを最先端のSASTツールであるCodeQLと統合し、これまでCodeQLで検出できなかった162の脆弱性の106を検出して、その効果を実証しています。
  論文  参考訳（メタデータ） (2026-01-15T21:31:51Z)
• Towards Classifying Benign And Malicious Packages Using Machine Learning [2.8630136355252582]
  悪意のあるオープンソースパッケージ検出には、静的、動的解析、あるいはその両方が必要になる。 現在の動的解析ツールには、悪意のあるパッケージと良質なパッケージを区別する自動メソッドがない。 本稿では、動的解析(例えば、実行されたコマンド)から特徴を抽出し、機械学習技術を活用して、パッケージを自動的に良性または悪意として分類するアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-19T01:59:11Z)
• 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)
• DONAPI: Malicious NPM Packages Detector using Behavior Sequence Knowledge Mapping [28.852274185512236]
  npmは最も広範なパッケージマネージャであり、200万人以上のサードパーティのオープンソースパッケージをホストしている。 本稿では,340万以上のパッケージを含むローカルパッケージキャッシュをほぼリアルタイムで同期させ,より詳細なパッケージコードにアクセスできるようにする。 静的解析と動的解析を組み合わせた自動悪質npmパッケージ検出器であるDONAPIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T08:38:21Z)

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。