論文の概要: Guarding Organizations Against Malware Risk: A Novel Graph-Based Malware Detection Method

• arxiv url: http://arxiv.org/abs/2607.26634v1
• Date: Wed, 29 Jul 2026 08:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.586788
• Title: Guarding Organizations Against Malware Risk: A Novel Graph-Based Malware Detection Method
• Title（参考訳）: マルウェアリスクに対する保護組織:新しいグラフベースのマルウェア検出方法
• Abstract要約: MalGuardは、組織的なマルウェアリスク管理のためのグラフベースのマルウェア検出方法である。 基本ブロックの凝集基を操作的役割として特定し、分離された基本ブロックから見えないプログラムの振る舞いを検知する。 大規模な実験では、MalGuardは検出性能を改善し、未検出のマルウェアの予測コストを削減している。
• 参考スコア（独自算出の注目度）: 12.565923549919049
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Organizational digitalization expands cybersecurity risks, making cybersecurity an increasingly important research area in Information Systems (IS). Among these risks, malware has become a pervasive and destructive threat. Byte-based machine learning (ML) methods are widely used for malware detection but remain vulnerable to evasive behaviors that manipulate raw bytes to evade detection. Graph-based methods are less affected by such manipulations because they represent software as program graphs that capture execution behavior. However, they do not explicitly identify cohesive groups of basic blocks that jointly realize meaningful program behaviors, nor do they learn sufficiently expressive program graph representations for accurate detection. To this end, we propose MalGuard, a graph-based malware detection method for organizational malware risk management. MalGuard introduces two methodological innovations: an operational role identification approach and a program graph representation learning method. The former identifies these cohesive groups of basic blocks as operational roles, enabling the detector to capture program behaviors that may not be visible from isolated basic blocks. The latter learns expressive program graph representations by modeling interactions among operational roles, preserving sparse malicious signals, and capturing hierarchical graph structure. Extensive experiments show that MalGuard improves detection performance and reduces the expected cost of undetected malware.
• Abstract（参考訳）: 組織のデジタル化はサイバーセキュリティのリスクを拡大し、サイバーセキュリティは情報システム(IS)においてますます重要な研究領域となる。 これらのリスクの中で、マルウェアは広範で破壊的な脅威となっている。 バイトコードベースの機械学習(ML)手法は、マルウェア検出に広く用いられているが、検出を避けるために生のバイトを操作する回避行動に弱いままである。 グラフベースの手法は、実行動作をキャプチャするプログラムグラフとしてソフトウェアを表現するため、このような操作の影響を受けない。 しかし、有意義なプログラム動作を共同で実現する基本ブロックの凝集基を明示的に識別したり、正確な検出のために十分な表現型プログラムグラフ表現を学習したりはしない。 そこで我々は,組織的マルウェアリスク管理のためのグラフベースのマルウェア検出手法であるMalGuardを提案する。 MalGuard氏は、オペレーションロール識別アプローチとプログラムグラフ表現学習方法の2つの方法論的革新を紹介した。 前者は、これらの結合的な基本ブロック群を運用上の役割として特定し、分離された基本ブロックから見えないプログラムの振る舞いを検出できる。 後者は、操作上の役割間の相互作用をモデル化し、疎い悪意のある信号を保存し、階層的なグラフ構造をキャプチャすることで、表現力のあるプログラムグラフ表現を学習する。 大規模な実験では、MalGuardは検出性能を改善し、未検出のマルウェアの予測コストを削減している。

関連論文リスト

• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• MalLoc: Toward Fine-grained Android Malicious Payload Localization via LLMs [44.97660453235412]
  MalLocは、Androidマルウェアの詳細なレベルで悪意のあるペイロードをローカライズするための、新しいアプローチである。 この研究は、振る舞いレベルの悪意のあるロジックに対する深い洞察を可能にすることによって、従来の検出と分類を超えて進んでいる。
  論文  参考訳（メタデータ） (2025-08-25T10:05:44Z)
• Explainable Attention-Guided Stacked Graph Neural Networks for Malware Detection [2.6436521007616114]
  本稿では,グラフベースのマルウェア検出と説明のための新しいスタックングアンサンブルフレームワークを提案する。 本フレームワークは,マルウェアの行動に関する洞察に富んだ解釈を提供しながら,分類性能を向上させる。
  論文  参考訳（メタデータ） (2025-08-13T13:33:02Z)
• 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)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
  マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。 我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。 この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2024-09-29T07:22:47Z)
• 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)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• Burning the Adversarial Bridges: Robust Windows Malware Detection Against Binary-level Mutations [16.267773730329207]
  そこで本研究では,バイナリレベルのブラックボックス攻撃マルウェアの実例の根本原因分析を行った。 我々は、ソフトウェア内の揮発性情報チャネルを強調し、攻撃面を排除するために3つのソフトウェア前処理手順を導入する。 新たなセクションインジェクション攻撃に対抗するために,グラフに基づくセクション依存情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T03:28:02Z)
• Survey of Malware Analysis through Control Flow Graph using Machine Learning [0.0]
  従来のシグネチャベースのマルウェア検出手法は、新しく未知のマルウェアを検出するのに効果がない。 シグネチャベースの検出の限界を克服できる最も有望な手法の1つは、制御フローグラフ(CFG)を使用することである。 CFGはプログラムの構造情報を利用して実行可能なパスをグラフとして表現し、ノードは命令を表し、エッジは制御フロー依存性を表す。 機械学習(ML)アルゴリズムは、CFGからこれらの機能を抽出し、悪意のあるものまたは良心的なものとして分類するために使用されている。
  論文  参考訳（メタデータ） (2023-05-15T20:18:27Z)
• A Survey on Malware Detection with Graph Representation Learning [0.0]
  マルウェアの検出は、マルウェアの数と複雑さの増大により、大きな関心事となっている。 近年、機械学習(ML)、特にディープラーニング(DL)は、データから有用な表現を学習することで、マルウェア検出において印象的な成果を上げている。 本稿は、共通アプローチとアーキテクチャの下で既存の作品を要約し、統一するための詳細な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:08Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• 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。