論文の概要: MalTotal: Cost-Effective and Language-Agnostic Malicious Code Poisoning Detection for Millions of Repositories
- arxiv url: http://arxiv.org/abs/2608.03232v1
- Date: Tue, 04 Aug 2026 07:03:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.702099
- Title: MalTotal: Cost-Effective and Language-Agnostic Malicious Code Poisoning Detection for Millions of Repositories
- Title（参考訳）: MalTotal: 数百万のリポジトリに対して, 費用効果と言語非依存の悪意コード検出
- Abstract要約: MalTotalは、言語に依存しない悪意のあるコード検出のためのスケーラブルで費用対効果の高いフレームワークである。
MalTotalは8つの最先端のベースラインを上回り、5つの主流言語で平均93.1%のF1スコアを達成した。
- 参考スコア（独自算出の注目度）: 15.670719242312316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The widespread adoption of open source software (OSS) has introduced significant security risks, with malicious code poisoning attacks increasingly targeting public package registries and open-source platforms. Existing detection approaches, including heuristic-, learning-, and LLM-based methods, suffer from language-specific designs, limited generalization, and high analysis costs, making them unsuitable for large-scale multi-language analysis. To address these challenges, we propose MalTotal, a scalable and cost-effective framework for language-agnostic malicious code detection. MalTotal leverages LLM-assisted semantic reasoning to identify sensitive APIs, perform hybrid semantic slicing, and reconstruct malicious behavior contexts while reducing analysis overhead. Our evaluations show that MalTotal outperforms 8 state-of-the-art baselines, achieving an average F1-score of 93.1% across 5 mainstream languages. Its hybrid slicing reduces LLM token consumption by 94.0%, lowering the analysis cost from \$86.25 to \$5.19 on 2,168 repositories. In a large-scale study of 120K GitHub repositories containing over 7.3 million files, MalTotal discovered 564 previously unknown malicious repositories across multiple languages at a total cost of \$338. These results demonstrate the effectiveness, scalability, and cost-efficiency of MalTotal in mitigating large-scale code poisoning attacks.
- Abstract（参考訳）: オープンソースソフトウェア(OSS)の普及はセキュリティ上の重大なリスクをもたらし、悪意のあるコード中毒攻撃は、パブリックパッケージレジストリやオープンソースプラットフォームを標的にしている。
ヒューリスティック、学習、LLMベースの方法を含む既存の検出手法は、言語固有の設計、限定的な一般化、高分析コストに悩まされており、大規模な多言語分析には適さない。
これらの課題に対処するために、言語に依存しない悪意のあるコード検出のためのスケーラブルで費用対効果の高いフレームワークであるMalTotalを提案する。
MalTotalはLLMによるセマンティック推論を活用して、機密性の高いAPIを特定し、ハイブリッドセマンティックスライシングを実行し、悪意のある振る舞いコンテキストを再構築し、分析オーバーヘッドを低減している。
我々の評価では、MalTotalは最先端の8つのベースラインを上回り、5つの主流言語で平均93.1%のF1スコアを達成した。
ハイブリッドスライシングによりLSMトークンの消費量は94.0%減少し、解析コストは2,168リポジトリで$86.25から$5.19に低下した。
730万以上のファイルを含む120万のGitHubリポジトリの大規模な調査で、MalTotalは、複数の言語にまたがる564の既知の悪意のあるリポジトリを、合計で338ドルのコストで発見した。
これらの結果から,MalTotalの大規模コード中毒攻撃に対する効果,スケーラビリティ,コスト効率が示された。
関連論文リスト
- Ethereum NFT Smart Contracts: Knowledge-Guided Vulnerability Detection with LLM and Code Slicing [2.0706429677946563]
本稿では,脆弱性に着目したコードスライシング,ERC-721指向の知識ベース,制約付きDeepSeek解析を組み合わせた脆弱性検出手法を提案する。
450 NFTの契約サンプルでは、完全な構成で437の正のラベルが作られ、97.1%の正のラベルが報告された。
外部知識ベースを取り除き87.11%まで削減し、知識ベースを使わずに完全な契約を分析することで73.78%まで削減した。
論文 参考訳（メタデータ） (2026-07-24T05:10:26Z) - Lingua-SafetyBench: A Benchmark for Safety Evaluation of Multilingual Vision-Language Models [54.10540442330978]
既存のベンチマークは、典型的にはマルチリンガルだがテキストのみ、あるいはマルチモーダルだがモノリンガルである。
近年の多言語的赤チームの取り組みは、画像に有害なプロンプトを与えるが、タイポグラフィースタイルの視覚に強く依存している。
10言語にまたがる100,440の有害な画像テキストペアのベンチマークを導入し、明示的に画像支配サブセットとテキスト支配サブセットに分割する。
論文 参考訳（メタデータ） (2026-01-30T09:18:13Z) - From Obfuscated to Obvious: A Comprehensive JavaScript Deobfuscation Tool for Security Analysis [6.038443052154118]
JSIMPLIFIERは、事前処理を備えた多段階パイプラインを使用した包括的な難読化ツールである。
44,421のサンプルを使って、最も大きな現実世界の難読化JavaScriptデータセットを構築し、リリースする。
この結果、JavaScriptの難読化研究と実用的なセキュリティアプリケーションのためのベンチマークを前進させた。
論文 参考訳（メタデータ） (2025-12-16T04:13:09Z) - Taint-Based Code Slicing for LLMs-based Malicious NPM Package Detection [2.398400814870029]
本稿では,LLMをベースとした悪意あるパッケージ検出タスクにおいて,コードスライシング技術を活用する新しいフレームワークを提案する。
バックトラッキング機構によって強化されたnpmパッケージのためのテントベースの特殊スライシング手法を提案する。
5000以上の悪意のあるnpmパッケージのデータセットに対する評価は,我々のアプローチがセキュリティ関連コードを分離し,入力量を99%以上削減していることを示している。
論文 参考訳（メタデータ） (2025-12-13T12:56:03Z) - MulVuln: Enhancing Pre-trained LMs with Shared and Language-Specific Knowledge for Multilingual Vulnerability Detection [22.197550174544627]
MULVULNは、複数の言語にわたるソースコードから学習する、新しい多言語脆弱性検出アプローチである。
現実世界の多言語ソフトウェアシステムにおいて、より堅牢で効果的な脆弱性検出を実現する。
特に、MULVULNはF1スコアがかなり高く、ベースライン法に比べて1.45%から23.59%改善されている。
論文 参考訳（メタデータ） (2025-10-05T23:33:26Z) - Exploring Automatic Cryptographic API Misuse Detection in the Era of LLMs [60.32717556756674]
本稿では,暗号誤用の検出において,大規模言語モデルを評価するための体系的評価フレームワークを提案する。
11,940個のLCM生成レポートを詳細に分析したところ、LSMに固有の不安定性は、報告の半数以上が偽陽性になる可能性があることがわかった。
最適化されたアプローチは、従来の手法を超え、確立されたベンチマークでこれまで知られていなかった誤用を明らかにすることで、90%近い顕著な検出率を達成する。
論文 参考訳（メタデータ） (2024-07-23T15:31:26Z) - SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal [64.9938658716425]
SORRY-Benchは、安全でないユーザ要求を認識し拒否する大規模言語モデル(LLM)能力を評価するためのベンチマークである。
まず、既存の手法では、安全でないトピックの粗い分類を使い、いくつかのきめ細かいトピックを過剰に表現している。
第二に、プロンプトの言語的特徴とフォーマッティングは、様々な言語、方言など、多くの評価において暗黙的にのみ考慮されているように、しばしば見過ごされる。
論文 参考訳（メタデータ） (2024-06-20T17:56:07Z) - OR-Bench: An Over-Refusal Benchmark for Large Language Models [65.34666117785179]
大きな言語モデル(LLM)は、悪意のある出力を防ぐために慎重に安全アライメントを必要とする。
本研究では,大規模なオーバーリファレンスデータセットの自動生成手法を提案する。
OR-Benchは,最初の大規模オーバーリファレンスベンチマークである。
論文 参考訳（メタデータ） (2024-05-31T15:44:33Z) - Breaking Language Barriers in Multilingual Mathematical Reasoning: Insights and Observations [59.056367787688146]
本稿では, マルチリンガル数学推論 (xMR) LLM の探索と学習の先駆者である。
我々は10の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。
翻訳を利用して、10個の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。
論文 参考訳（メタデータ） (2023-10-31T08:09:20Z) - Symbol Preference Aware Generative Models for Recovering Variable Names from Stripped Binary [18.05110624825475]
逆コンパイルにおける顕著な課題は、変数名を復元することである。
本稿では,モデルバイアスを緩和しながら生成モデルの強みを利用する新しい手法を提案する。
我々は、事前訓練された生成モデルCodeGemma-2B、CodeLlama-7B、CodeLlama-34BのプロトタイプGenNmを構築した。
論文 参考訳（メタデータ） (2023-06-05T02:39:48Z) - Massively Multilingual Shallow Fusion with Large Language Models [62.76735265311028]
複数の言語で浅い融合のための単一多言語言語モデル(LM)を訓練する。
GLaMは、推論中に同様の計算を行う密度の高いLMと比較して、イングランドのロングテールテストのWERを4.4%削減する。
多言語浅層融合タスクでは、GLaMは50言語中41言語を改善し、平均相対的なWERの3.85%、最大10%の削減を実現している。
論文 参考訳（メタデータ） (2023-02-17T14:46:38Z)
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。