Fugu-MT 論文翻訳(概要): Towards LLM-Enhanced Android Taint Analysis

論文の概要: Towards LLM-Enhanced Android Taint Analysis

arxiv url: http://arxiv.org/abs/2608.24269v1
Date: Tue, 25 Aug 2026 08:57:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.905485
Title: Towards LLM-Enhanced Android Taint Analysis
Title（参考訳）: LLM強化型Androidタレント解析に向けて
Abstract要約: 既成のLarge Language Modelsが,Androidアプリにおいて,テナントフローを効果的に推論できるかどうかを検討する。我々のアプローチはエージェントインタラクション戦略に依存しており、LCMが反復的にコードを探索し、データフローを推論することができる。予備的な知見は、LSM推論が従来の静的なテイント分析を効果的に補完する可能性があることを示唆している。
参考スコア（独自算出の注目度）: 7.264089733230453
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Taint analysis is a fundamental technique for detecting sensitive data leaks in Android apps. However, traditional static tools, such as FlowDroid, still face well-known challenges due to the complexity of accurately modeling the Android framework. In this paper, we investigate whether off-the-shelf Large Language Models (LLMs) can effectively reason about taint flows in Android apps. Our preliminary approach relies on an agentic interaction strategy, enabling the LLM to iteratively explore code and reason about data flows. We conduct an initial evaluation on the DroidBench benchmark against FlowDroid, where our approach outperforms the baseline: Gemini-3 Flash achieves an F1-score of 0.96, compared to 0.55 for FlowDroid. In particular, we observe improvements in challenging categories such as inter-component communication (0.95 vs. 0.17), implicit flows (0.94 vs. 0.00), and reflection (1.00 vs. 0.50), where FlowDroid typically struggles. On a small set of real-world apps, the LLM-based approach also identifies additional potential data leaks not reported by FlowDroid. These preliminary findings suggest that LLM reasoning may effectively complement traditional static taint analysis, motivating future research on hybrid LLM-enhanced taint analysis pipelines.
Abstract（参考訳）: タイト分析は,Androidアプリの機密データ漏洩を検出するための基本技術である。しかし、FlowDroidのような従来の静的ツールは、Androidフレームワークを正確にモデリングする複雑さのために、依然としてよく知られた課題に直面している。本稿では,既成のLarge Language Models (LLMs) がAndroidアプリにおいて,テイントフローを効果的に推論できるかどうかを検討する。我々の予備的なアプローチはエージェント間相互作用戦略に依存しており、LCMはコードやデータフローの推論を反復的に行うことができる。 Gemini-3 Flash は FlowDroid の 0.55 に対して F1 スコア 0.96 を達成しています。特に、コンポーネント間通信(0.95対0.17)、暗黙の流れ(0.94対0.00)、リフレクション(1.00対0.50)といった、FlowDroidが通常苦労する課題のカテゴリの改善を観察する。現実世界のアプリケーションの小さなセットでは、LLMベースのアプローチは、FlowDroidが報告していない追加の潜在的なデータリークも識別する。これらの予備的な知見は、LLM推論が従来の静的なテイント解析を効果的に補完し、LLM強化テイント解析パイプラインの今後の研究を動機付けていることを示唆している。

関連論文リスト

OpenMobile: Building Open Mobile Agents with Task and Trajectory Synthesis [98.43366988856592]
高品質なタスク命令とエージェントトラジェクトリを合成するオープンソースフレームワークであるOpenMobileについて述べる。データに基づいてトレーニングされたエージェントは、3つの動的モバイルエージェントベンチマークで競合する結果を得る。
論文参考訳（メタデータ） (2026-04-16T14:53:08Z)
Benchmark Leakage Trap: Can We Trust LLM-based Recommendation? [9.574427977779235]
本稿は,LLM ベースの推薦におけるベンチマークデータ漏洩という,これまで見過ごされてきた問題を特定し,検討する。データ漏洩はLLMベースのレコメンデーションにおいて重要な要因であり、真のモデルパフォーマンスに影響を与える可能性がある。
論文参考訳（メタデータ） (2026-02-14T06:34:19Z)
AndroByte: LLM-Driven Privacy Analysis through Bytecode Summarization and Dynamic Dataflow Call Graph Generation [0.0]
AndroByteは、AndroidアプリのためのAI駆動のプライバシー分析ツールである。静的コード解析から正確で説明可能なデータフローコールグラフを生成する。 AndrosByteは、動的データフローコールグラフをオンザフライで生成する際の89%のFbetaスコアを実現している。
論文参考訳（メタデータ） (2025-10-16T20:10:20Z)
When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
論文参考訳（メタデータ） (2025-08-15T10:32:50Z)
MalFlows: Context-aware Fusion of Heterogeneous Flow Semantics for Android Malware Detection [18.782868339492243]
MalFlowsは、Androidマルウェア検出のための異種フローセマンティクスのコンテキスト認識融合を実現する新しい技術である。 Flow2vecは、コンテキスト制約に基づいて、HINエンティティのセマンティクスを必要に応じて区別する、コンテキスト対応のHIN埋め込み技術である。実世界の31,000以上のアプリから2000万以上のフローインスタンスを抽出した大規模データセット上でMalFlowsを評価する。
論文参考訳（メタデータ） (2025-08-05T15:54:52Z)
Enhancing Android Malware Detection with Retrieval-Augmented Generation [1.413488665073795]
本研究では,静的な特徴を利用した機械学習に基づく手法に着目した。 LLMの脆弱性として知られる幻覚を緩和するため、我々は検索・拡張生成を統合した。慎重に設計したプロンプトを用いてLLMを誘導し,コヒーレント関数の要約を生成し,変換器モデルを用いて解析する。
論文参考訳（メタデータ） (2025-06-28T04:36:31Z)
DroidTTP: Mapping Android Applications with TTP for Cyber Threat Intelligence [13.958337678497163]
DroidTTPは、Androidのマルウェアの振る舞いを戦術、テクニック、手順(TTP)にマッピングするフレームワークである。私たちのデータセットは、MITRE TTPをAndroidアプリケーションに明示的に関連付けています。問題変換アプローチ(PTA)と大規模言語モデル(LLM)を利用した自動解法を開発した。
論文参考訳（メタデータ） (2025-03-20T05:38:24Z)
Adaptive Distraction: Probing LLM Contextual Robustness with Automated Tree Search [76.54475437069395]
大きな言語モデル(LLM)は、意味的に一貫性があるがタスクに依存しないコンテキスト情報に直面している場合、元のパフォーマンスを維持するのに苦労することが多い。本稿では,木探索に基づく動的散逸生成フレームワークを提案する。
論文参考訳（メタデータ） (2025-02-03T18:43:36Z)
LLM Robustness Against Misinformation in Biomedical Question Answering [50.98256373698759]
探索拡張生成(RAG)アプローチは,質問応答のための大規模言語モデル(LLM)の折り畳みを低減するために用いられる。バイオメディカル質問に対する誤報に対する4つのLDMの有効性とロバスト性を評価した。
論文参考訳（メタデータ） (2024-10-27T16:23:26Z)
LLMs as Factual Reasoners: Insights from Existing Benchmarks and Beyond [135.8013388183257]
そこで我々は,SummEditsと呼ばれる10ドメインのベンチマークで不整合検出ベンチマークを作成し,実装する新しいプロトコルを提案する。ほとんどのLLMはSummEditsで苦労しており、パフォーマンスはランダムに近い。最も優れたモデルであるGPT-4は、推定された人間のパフォーマンスよりも8%低い。
論文参考訳（メタデータ） (2023-05-23T21:50:06Z)
Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
論文参考訳（メタデータ） (2023-04-04T22:45:50Z)

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。