Fugu-MT 論文翻訳(概要): REPLICANT: Learning Policies for Evading and Hardening Malware Detectors

論文の概要: REPLICANT: Learning Policies for Evading and Hardening Malware Detectors

arxiv url: http://arxiv.org/abs/2608.28499v1
Date: Fri, 28 Aug 2026 16:29:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.409226
Title: REPLICANT: Learning Policies for Evading and Hardening Malware Detectors
Title（参考訳）: Replicant: マルウェア検出のエベイディングとハードニングのための学習法
Authors: Shae McFadden, Ilias Tsingenopoulos, Mario D'Onghia, Alexander Herzog, Myles Foley, Chris Hicks, Lorenzo Cavallaro, Fabio Pierazzi,
Abstract要約: Replicantは、厳格なラベルのみのブラックボックス脅威モデルの下で、回避の現実的なタスクを学ぶ、深い強化学習フレームワークである。 Replicantは,平均攻撃成功率78.8%を達成する上で,最も強力かつクエリ効率のよいアプローチであることを示す。敵の訓練に使用する場合、Replicantはより一般化可能な検出器で検出器を生成することにより、最先端の技術を上回ります。
参考スコア（独自算出の注目度）: 48.41350618293826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To determine the real-world effectiveness of machine learning based malware detection, it is vital to evaluate its robustness against highly capable adversaries. However, state-of-the-art attacks do not effectively model realistic adversaries, as they often assume access to privileged information such as the training data, feature space, or confidence scores of the target. In this work, we present Replicant, a deep reinforcement learning framework that learns the realistic task of evasion under a strict label-only black-box threat model. Replicant learns a reusable policy on how to modify a malware sample and when to query the target, which transfers across samples, detectors, and feature spaces. Across seven Android malware detectors and three feature spaces, Replicant is the strongest and most query-efficient approach achieving a mean attack success rate of 78.8%, a relative improvement of 20.9%-39.2% over the state-of-the-art. Furthermore, when used for adversarial training, Replicant also outperforms the state-of-the art by producing detectors with more generalizable robustness. With Replicant we demonstrate that learning the task of evasion not only results in stronger attack performance but, crucially, provides a better signal for hardening malware detectors.
Abstract（参考訳）: 機械学習によるマルウェア検出の現実的有効性を決定するためには,高い能力を持つ敵に対する堅牢性を評価することが不可欠である。しかし、最先端の攻撃は現実的な敵を効果的にモデル化するものではなく、訓練データや特徴空間、目標の信頼スコアといった特権情報へのアクセスを前提としていることが多い。本研究では,厳密なラベルのみのブラックボックス脅威モデルの下で,回避の現実的な課題を学習する深層強化学習フレームワークであるReplicantを提案する。 Replicantは、マルウェアサンプルの修正方法とターゲットへの問い合わせのタイミングに関する再利用可能なポリシーを学び、サンプル、検出器、特徴空間をまたいで転送する。 7つのAndroidマルウェア検知器と3つの機能空間の中で、Replicantは最も強力でクエリ効率のよいアプローチであり、平均攻撃成功率は78.8%であり、最先端技術よりも20.9%～39.2%向上している。さらに、敵の訓練に使用する場合、Replicantはより一般化可能な堅牢性を持つ検出器を生成することにより、最先端の技術を上回ります。 Replicantでは,回避作業の学習によって攻撃性能が向上するだけでなく,マルウェア検出器の硬化に優れた信号を提供することを示した。

関連論文リスト

Defending against Adaptive Prompt Injection Attacks via Reasoning-enabled Task Alignment [25.752599132396437]
間接的なプロンプトインジェクションは、エージェントがタスク実行中に検索するサードパーティデータに悪意のある命令を埋め込むことによって、LLMベースのエージェントをハイジャックする。既存のディフェンスでは、静的なベンチマークでほぼゼロの攻撃成功率を報告しているが、最近のアダプティブ評価では、攻撃者がデプロイされたディフェンスに対して最適化を許せば、これらの結果は崩壊する。本稿では,攻撃者が制御するデータではなく,ユーザタスクに対する防衛判断を基礎としたトレーニングベースのRETAを提案する。
論文参考訳（メタデータ） (2026-06-13T19:15:44Z)
Efficiently Attacking Memorization Scores [16.56405009324799]
本稿では,記憶をベースとした影響推定装置の攻撃可能性について検討する。我々は、訓練されたアルゴリズムが正確である体制において、高度に記憶されたサンプルを高感度なクエリとして生成する攻撃を特徴付ける。本研究は,影響に基づく属性の重大な脆弱性を浮き彫りにし,堅牢な防御の必要性を示唆する。
論文参考訳（メタデータ） (2025-09-24T18:33:10Z)
Benchmarking Misuse Mitigation Against Covert Adversaries [80.74502950627736]
既存の言語モデルの安全性評価は、オーバースト攻撃と低レベルのタスクに重点を置いている。我々は、隠蔽攻撃と対応する防御の評価を自動化するデータ生成パイプラインである、ステートフルディフェンスのためのベンチマーク(BSD)を開発した。評価の結果,分解攻撃は有効な誤用防止剤であり,その対策としてステートフルディフェンスを強調した。
論文参考訳（メタデータ） (2025-06-06T17:33:33Z)
Unsupervised Adversarial Detection without Extra Model: Training Loss Should Change [24.76524262635603]
従来の敵の訓練と教師付き検出へのアプローチは、攻撃型の事前知識とラベル付きトレーニングデータへのアクセスに依存している。そこで本稿では,敵攻撃の事前知識を必要とせずに,不要な特徴とそれに対応する検出方法を新たに提案する。提案手法は全攻撃タイプで有効であり, 偽陽性率は特定の攻撃タイプに優れた手法よりさらに優れている。
論文参考訳（メタデータ） (2023-08-07T01:41:21Z)
Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
論文参考訳（メタデータ） (2023-06-06T11:44:42Z)
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)
A False Sense of Security? Revisiting the State of Machine Learning-Based Industrial Intrusion Detection [9.924435476552702]
異常に基づく侵入検知は、産業制御システムに対する新規または未知の攻撃を検出することを約束する。研究は機械学習による自動学習に重点を置いており、検出率は99%以上に達する。その結果、未知の攻撃を検出できないことが強調され、検出率は3.2%から14.7%に低下した。
論文参考訳（メタデータ） (2022-05-18T20:17:33Z)
Interpretable and Effective Reinforcement Learning for Attacking against Graph-based Rumor Detection [12.726403718158082]
ソーシャルネットワークは噂によって汚染され、機械学習モデルによって検出される。ある種の脆弱性は、グラフへの依存と疑わしいランキングによるものである。ブラックボックス検出器を用いて、強化学習が効果的かつ解釈可能な攻撃ポリシーを学習できるように、依存関係をキャプチャする機能を設計する。
論文参考訳（メタデータ） (2022-01-15T10:06:29Z)
How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文参考訳（メタデータ） (2020-12-02T15:30:21Z)
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。