論文の概要: Survival of~the~Stealthiest: Evolving Low-Entropy Ransomware via~Genetic Algorithms

• arxiv url: http://arxiv.org/abs/2608.19821v1
• Date: Thu, 20 Aug 2026 09:17:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.521083
• Title: Survival of~the~Stealthiest: Evolving Low-Entropy Ransomware via~Genetic Algorithms
• Title（参考訳）: 最盛期の生き残り--遺伝的アルゴリズムによる低エントロピーランサムウェアの進化
• Abstract要約: 本研究では,検索ベースソフトウェア工学(SBSE)最適化問題としてランサムウェア実行をフレーミングすることで,暗号攻撃のパラダイムシフトを導入する。 遺伝的アルゴリズム(GA)を用いて,ベースラインシステム活動からの統計的逸脱に制約のあるデータ暗号化を最適化する。 この結果から,検索手法は回避マルウェアを生成する強力なフレームワークであり,ソフトウェア自動防御の課題が浮かび上がっていることが示唆された。
• 参考スコア（独自算出の注目度）: 1.1961510466705991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional ransomware deployment often relies on massive encryption procedure, triggering immediate detection by modern defense systems. This work introduces a paradigm shift in cryptographic attacks by framing ransomware execution as a Search-Based Software Engineering (SBSE) optimization problem. This approach addresses the persistence gap observed in modern threats, where attacks aim to remain undercover for hours rather than minutes. Using a Genetic Algorithm (GA), we optimize data encryption under a hard constraint on the statistical deviation from baseline system activity. We demonstrate that our evolved attack patterns can evade behavioral monitors under fingerprinting techniques. Our results suggest that search-based methods provide a powerful framework for generating evasive malware, highlighting an emerging challenge for automated software defense.
• Abstract（参考訳）: 従来のランサムウェアの展開は、しばしば大規模な暗号化手順に依存しており、現代の防衛システムによって即座に検出される。 本研究では,検索ベースソフトウェアエンジニアリング(SBSE)最適化問題としてランサムウェア実行をフレーミングすることで,暗号攻撃のパラダイムシフトを導入する。 このアプローチは、現代の脅威で観察される永続的ギャップに対処する。 遺伝的アルゴリズム(GA)を用いて,ベースラインシステム活動からの統計的逸脱に制約のあるデータ暗号化を最適化する。 我々は,我々の進化した攻撃パターンが指紋認証技術の下での行動モニターを回避できることを実証した。 この結果から,検索手法は回避マルウェアを生成する強力なフレームワークであり,ソフトウェア自動防御の課題が浮かび上がっていることが示唆された。

関連論文リスト

• Explainable Attention-Based LSTM Framework for Early Detection of AI-Assisted Ransomware via File System Behavioral Analysis [0.0]
  ランサムウェアは、最も破壊的なサイバー脅威の1つとして進化を続けている。 このような攻撃の早期発見は依然として大きな課題である。 本研究では,AIによるランサムウェアの変種を早期に検出するためのアテンションベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-19T16:27:57Z)
• QUACK! Making the (Rubber) Ducky Talk: A Systematic Study of Keystroke Dynamics for HID Injection Detection [60.105690843777666]
  我々は、タイミング機能のみで動作する軽量モデルを使用して、堅牢でプライバシー保護の検知が達成可能であることを示す。 分析の結果,攻撃者の高度化は単調に回避を改善できないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-17T08:53:24Z)
• Evasive Ransomware Attacks Using Low-level Behavioral Adversarial Examples [0.0]
  本稿では,低レベルの行動逆例の概念と回避型ランサムウェアの脅威モデルを紹介する。 本手法と脅威モデルを定式化し,回避マルウェアの最適なソースコードを生成する。 次に,マイクロビヘイビア制御機能を備えたContiランサムウェアのソースコードをリークした手法について検討する。
  論文  参考訳（メタデータ） (2025-08-12T05:45:28Z)
• Decentralized Entropy-Driven Ransomware Detection Using Autonomous Neural Graph Embeddings [0.0]
  このフレームワークはノードの分散ネットワークで動作し、単一障害点を排除し、ターゲット攻撃に対するレジリエンスを強化する。 グラフベースのモデリングと機械学習技術の統合により、このフレームワークは複雑なシステムインタラクションをキャプチャできる。 ケーススタディでは、実世界のシナリオでの有効性を検証するとともに、ランサムウェア攻撃を開始後数分で検出し軽減する能力を示している。
  論文  参考訳（メタデータ） (2025-02-11T11:59:10Z)
• A Sysmon Incremental Learning System for Ransomware Analysis and Detection [1.495391051525033]
  サイバー脅威、特にランサムウェア攻撃の増加に直面しているため、高度な検知と分析システムの必要性が高まっている。 これらの提案のほとんどは、新しいランサムウェアを検出するために、基礎となるモデルをスクラッチから更新する必要がある、非インクリメンタルな学習アプローチを活用している。 新たなランサムウェア株がモデルが更新されるまで検出されない可能性があるため、再トレーニング中に攻撃に対して脆弱なデータを残すため、このアプローチは問題となる。 本稿では,Sysmon Incremental Learning System for Analysis and Detection (SILRAD)を提案する。
  論文  参考訳（メタデータ） (2025-01-02T06:22:58Z)
• 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)
• Time-Aware Face Anti-Spoofing with Rotation Invariant Local Binary Patterns and Deep Learning [50.79277723970418]
  模倣攻撃は 不正な識別と その後の攻撃者の認証につながる 顔認識と同様に、模倣攻撃も機械学習で検出できる。 本稿では,未使用の機能と時間認識の深層学習戦略を組み合わせることで,高い分類精度を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:26:10Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness [58.23214712926585]
  我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。 具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。 私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
  論文  参考訳（メタデータ） (2023-03-20T17:25:22Z)
• Binary Black-box Evasion Attacks Against Deep Learning-based Static Malware Detectors with Adversarial Byte-Level Language Model [11.701290164823142]
  MalRNNは、制限なく回避可能なマルウェアバリアントを自動的に生成する新しいアプローチです。 MalRNNは、3つの最近のディープラーニングベースのマルウェア検出器を効果的に回避し、現在のベンチマークメソッドを上回ります。
  論文  参考訳（メタデータ） (2020-12-14T22:54:53Z)
• Attack Agnostic Adversarial Defense via Visual Imperceptible Bound [70.72413095698961]
  本研究の目的は、目視攻撃と目視攻撃の両方に対して一定の範囲内で堅牢な防衛モデルを設計することである。 提案するディフェンスモデルは,MNIST,CIFAR-10,Tiny ImageNetデータベース上で評価される。 提案アルゴリズムは攻撃非依存であり,攻撃アルゴリズムの知識を必要としない。
  論文  参考訳（メタデータ） (2020-10-25T23:14:26Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。