論文の概要: Aray: Deterministic-First Synthesis of Benign Artifacts for YARA Validation
- arxiv url: http://arxiv.org/abs/2608.19387v1
- Date: Wed, 19 Aug 2026 19:05:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.386877
- Title: Aray: Deterministic-First Synthesis of Benign Artifacts for YARA Validation
- Title（参考訳）: Aray:YARA検証のための良質人工物の決定論的第一合成
- Abstract要約: YARAルールは簡単に配布できるが、正の一致を示すために使用されるマルウェアサンプルはそうではない。
本稿では,YARAインタプリタと正の固定合成器であるArayを紹介する。
- 参考スコア（独自算出の注目度）: 3.458740656379337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A YARA rule is easy to distribute, but the malware sample used to demonstrate a positive match is not. This complicates storage, continuous integration, disaster-recovery exercises, and reproducible scanner validation. Constructing a replacement fixture requires more than embedding literals: YARA conditions can combine alternatives, counts, offsets, integer reads, and executable-container constraints, while the resulting file should not reproduce malware behavior. Positive validation is existential: it requires one file-level member of a rule's match set, not reconstruction of the originating sample. We present Aray, a deterministic-first YARA interpreter and positive-fixture synthesizer. Models may propose constructive normalizations or typed extraction fallbacks, but never backend source or binary structure. Conventional code validates normalized rules, derives string and integer witnesses, and performs extraction, routing, collision-checked layout, and ELF, PE, or generic serialization. Only residual normalization semantics reach a bounded model judge. We evaluated Aray over 416 public-rule entries. Normalization accepted 182 entries without model assistance and 234 after model normalization. Constructibility preflight admitted 406 entries, and every admitted fixture matched its upstream original rule. This yields 406/416 (97.6%) overall and 406/406 among constructible rules, with ten expected preflight dispositions and no scanner mismatches or construction failures. An unreachable endpoint confirmed zero model invocations during realization. The original-rule oracle validates generated fixtures against their source rules; proving implication for all possible files is a separate, stronger objective. Two anchored-regex failures were repaired before the final run, so these are post-fix systems results, not a held-out estimate.
- Abstract（参考訳）: YARAルールは簡単に配布できるが、正の一致を示すために使用されるマルウェアサンプルはそうではない。
これにより、ストレージ、継続的インテグレーション、災害復旧演習、再現可能なスキャナバリデーションが複雑になる。
YARA条件は、代替、カウント、オフセット、整数読み取り、実行可能コンテナ制約を組み合わせることができ、その結果のファイルはマルウェアの振る舞いを再現するべきではない。
正の検証は存在しており、元のサンプルの再構成ではなく、ルールのマッチセットの1つのファイルレベルのメンバーが必要である。
本稿では,YARAインタプリタと正の固定合成器であるArayを紹介する。
モデルは構築的な正規化や型付き抽出のフォールバックを提案するが、バックエンドのソースやバイナリ構造は提案しない。
従来のコードは正規化ルールを検証し、文字列と整数の証人を導出し、抽出、ルーティング、衝突チェックレイアウト、ELF、PE、ジェネリックシリアライゼーションを実行する。
残留正規化意味論のみが有界モデル判断に到達する。
我々はArayを416以上の公開ルール項目で評価した。
正規化はモデルアシストなしの182項目、モデル正規化後234項目を受け入れた。
コンストラクタビリティのプレフライトでは406のエントリーが認められ、全てのフィクスチャはアップストリームのオリジナルルールと一致した。
これは総計で406/416 (97.6%)、建設可能な規則で406/406となり、10回の飛行前処理が期待され、スキャナのミスマッチや建設失敗は発生しない。
到達不能なエンドポイントは、実現時にモデル呼び出しがゼロであることを確認します。
オリジナルルールのオラクルは、ソースルールに対して生成されたフィクスチャを検証します。
最終実行前に2つのアンカー・リジェクスの故障が修復されたため、これらは固定後のシステムの結果であり、保留された推定値ではない。
関連論文リスト
- From Subjective Judgments to Auditable Standards:Protocol-Guided AI Auditing of Website Redundancy [2.2917707112773593]
ウェブサイトの冗長性は、単一の固定された意味を持っていない。
我々は,繰り返し負荷,正規利用税,障害領域回復予備費を別々に測定するCORAを導入する。
論文 参考訳（メタデータ） (2026-08-21T07:17:35Z) - From Prompts to Contracts: Harness Engineering for Auditable Enterprise LLM Agents [0.24554686192257424]
製品化は、ソースバウンダリ、エンティティルーティング、回答コントラクト、再現可能なトレースの要件を追加します。
本稿では,このパターンをトレース可能な監査可能なLLMエージェントアーキテクチャに再構成するハーネスエンジニアリング手法を提案する。
韓国の5つの企業グループの公開データスライスでインスタンス化し、3つの研究課題を評価する。
論文 参考訳（メタデータ） (2026-07-09T01:08:33Z) - Pramana: A Protocol-Layer Treatment of Claim Verification in Autonomous Agent Networks [0.0]
確率的検証パターン(自己整合性投票、レビュアー LLM アンサンブル)は、人工物ではなく、判断を生成する。
Pramana は、ワイヤフォーマットの欠如を定義している。すべての連続エージェント出力は、タイプ付き ClaimAttestation でラップされ、4つの変種のうちの1つでラップされる。
プラマナは3つの対称性を再現したモデル(38,563個の到達可能な状態、0個の不変な違反)でTLCの下で徹底的に検証された。
論文 参考訳（メタデータ） (2026-05-19T17:00:33Z) - RaV-IDP: A Reconstruction-as-Validation Framework for Faithful Intelligent Document Processing [0.0]
Restructation as Validation (RaV-IDP)は、第一級アーキテクチャコンポーネントとして再構築を導入するドキュメント処理パイプラインである。
専用再構成器は、抽出した表現を元の文書領域に匹敵する形式に戻す。
忠実度がエンタリティ型閾値以下になると、構造化されたGPT-4.1ビジョンフォールバックがトリガーされ、検証ループが繰り返される。
論文 参考訳（メタデータ） (2026-04-26T10:26:42Z) - LatticeBridge: Rare-Event Sequential Inference for Faithful Structured Sequence Synthesis [0.5729426778193398]
構造的シーケンス生成は、1つの出力で複数の入力由来の制約を満たすためにモデルを必要とすることが多い。
LatticeBridgeは、コンパクトなプレフィックス言語モデル、インスタンスコンパイルされたサーフェスオートマトン、およびねじれたシーケンシャルなモンテカルロデコーダを組み合わせる。
LatticeBridgeは正確なアンカー満足度と平均アンカーカバレッジを向上させる。
論文 参考訳（メタデータ） (2026-04-22T09:24:25Z) - SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。
アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。
textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
論文 参考訳（メタデータ） (2026-02-08T07:26:52Z) - PromptPort: A Reliability Layer for Cross-Model Structured Extraction [0.11280931253550518]
LLMによる構造化抽出は、モデルが理解できないためではなく、出力フォーマットがモデルやプロンプト間で信頼できないため、本番環境では失敗する。
本稿では,決定論的正準化と軽量検証器(DistilBERT)と安全オーバライドポリシを組み合わせた信頼性層であるPromptPortを提案する。
この方法は、保留モデルファミリに一般化し、不確実な場合には明示的な棄権を与え、プロダクションデプロイメントにおける信頼性の高い構造化抽出を可能にする。
論文 参考訳（メタデータ） (2026-01-06T03:54:27Z) - Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。
認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。
この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
論文 参考訳（メタデータ） (2025-10-01T13:56:44Z) - CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。
数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。
我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
論文 参考訳（メタデータ） (2025-08-05T17:55:24Z) - Emulated Disalignment: Safety Alignment for Large Language Models May Backfire! [65.06450319194454]
大きな言語モデル(LLM)は、人間との安全な会話を確保するために安全アライメントを行う。
本稿では,安全アライメントの反転が可能なトレーニングフリーアタック手法を提案する。
本手法をエミュレートした脱アライメント (ED) と呼ぶのは, このコントラスト分布からのサンプリングは, 安全報酬を最小限に抑えるため, 微調整の結果を確実にエミュレートするからである。
論文 参考訳（メタデータ） (2024-02-19T18:16:51Z) - Conformal Language Modeling [61.94417935386489]
生成言語モデル(LM)の共形予測のための新しい手法を提案する。
標準共形予測は厳密で統計的に保証された予測セットを生成する。
我々は,オープンドメイン質問応答,テキスト要約,ラジオロジーレポート生成において,複数のタスクに対するアプローチの約束を実証する。
論文 参考訳（メタデータ） (2023-06-16T21:55:08Z) - Thutmose Tagger: Single-pass neural model for Inverse Text Normalization [76.87664008338317]
逆テキスト正規化(ITN)は自動音声認識において重要な後処理ステップである。
本稿では,ITN例の粒度アライメントに基づくデータセット作成手法を提案する。
タグと入力語との1対1対応により、モデルの予測の解釈性が向上する。
論文 参考訳（メタデータ） (2022-07-29T20:39:02Z)
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。