論文の概要: PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation

• arxiv url: http://arxiv.org/abs/2609.00705v1
• Date: Tue, 01 Sep 2026 04:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.321156
• Title: PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation
• Title（参考訳）: PhantomCall:Function Call Graph PerturbationによるMLマルウェア検出の活用
• Authors: Md Ajwad Akil, Adrian Shuai Li, Imtiaz Karim, Arun Iyengar, Ashish Kundu, Elisa Bertino,
• Abstract要約: Phan-tomCall は Windows PE マルウェアの関数コールグラフ (FCG) を乱すブラックボックス攻撃である。 最も優れたPhantomCallは、すべての構成で85-100%の攻撃成功率を達成する。 MalConvとMalGraphの場合、回避の大多数は単一のコールサイトの変更のみを必要とする。
• 参考スコア（独自算出の注目度）: 11.241353003420508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prior adversarial attacks on Windows PE malware detectors target raw bytes, PE headers, or intra-function control-flow graphs, leaving the function call graph (FCG) unexplored as an attack surface. Yet the FCG structure is an important feature in graph-based malware detectors. We present Phan- tomCall, a black-box attack that perturbs the FCG of Windows PE malware by injecting fully executable dummy functions at targeted call sites, adding new nodes and edges to both the CFG and FCG while preserving program semantics. We pair this structural perturbation with classifier-guided search and tunable injection parameters, effective across three archi- tecturally distinct classifiers. Evaluated on a 2025-collected Windows malware corpus against MalConv (raw-byte CNN), MalGraph (graph-based GNN), and SAFE+GNN (pure FCG GNN trained from scratch on a 2024 corpus) at two FPR thresholds, the best PhantomCall variant achieves 85-100% attack success rate across all configurations, exceeding prior state-of-the-art by up to 14.78 percentage points on MalGraph and 95.5 percentage points on SAFE+GNN, and generating evasive variants up to 2.9x faster on average across all targets. For MalConv and MalGraph, the majority of evasions require only a single call site modification, and 86-97% of evaluated evasive variants preserve the original malicious behavior in sandbox-based semantic testing across all configurations.
• Abstract（参考訳）: Windows PE のマルウェア検知器に対する以前の敵対攻撃は、生のバイト、PEヘッダ、または関数内制御フローグラフをターゲットにしており、関数コールグラフ(FCG)は攻撃面として探索されていない。 しかし、FCG構造はグラフベースのマルウェア検出において重要な特徴である。 Phan-tomCall は Windows PE マルウェアの FCG を妨害するブラックボックス攻撃であり,プログラムのセマンティクスを保ちながら,対象のコールサイトに対して完全に実行可能なダミー関数を注入し,CFG と FCG の両方に新たなノードとエッジを追加する。 この構造摂動と分類器誘導探索と調整可能な注入パラメータを組み合わせ, 構造的に異なる3つの分類器に対して有効である。 2025年にコンパイルされたWindowsのマルウェアコーパスであるMalConv(Rwbyte CNN)、MalGraph(グラフベースGNN)、SAFE+GNN(2024コーパスでゼロから訓練されたFCG GNN)を2つのFPR閾値で評価し、最高のPhantomCallはすべての構成で85-100%の攻撃成功率を達成し、MalGraphの最大14.78ポイント、SAFE+GNNの95.5ポイントを超え、平均2.9倍高速で回避可能な変種を生成する。 MalConvとMalGraphでは、回避の大多数は単一のコールサイト修正のみを必要とし、評価された回避の亜種のうち86-97%は、サンドボックスベースのセマンティックテストにおいて、元の悪意のある振る舞いをすべての構成で保持する。

関連論文リスト

• Self-supervised Adversarial Purification for Graph Neural Networks [8.721619913104899]
  敵攻撃に対するグラフニューラルネットワーク(GNN)の防御には、正確性と堅牢性のバランスが必要である。 本稿では,この制限を克服するための自己監督型対外浄化フレームワークを提案する。 従来の敵の浄化法とは対照的に,自己監督戦略で訓練された特殊浄化器としてGPR-GAEを提案する。
  論文  参考訳（メタデータ） (2026-05-22T05:18:18Z)
• Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection [0.03110995905282904]
  機械学習ベースのマルウェア検出装置は、アンチウイルスやエンドポイント検出システムに広くデプロイされている。 本稿では,マルウェアサンプルを特定の良性ソフトウェアカテゴリに意図的に分類できるかどうかを検討する。 本稿では,デコーダを厳密に付加した条件変分オートエンコーダ(CVAE)を中心としたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-18T16:32:45Z)
• ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems [56.613157564882925]
  悪意のある行動は、一見良心的なツールに埋め込まれ、エージェントの実行を静かにハイジャックしたり、機密データをリークしたり、無許可のアクションをトリガーしたりする。 影響は拡大しているが、このような脅威を評価するための包括的なベンチマークは今のところ存在しない。 実ネットワークの相互作用を観測してサプライチェーン中毒を検出するネットワークレベルのガードレールフレームワークであるShieldNetを提案する。
  論文  参考訳（メタデータ） (2026-04-06T05:15:00Z)
• CLASP: Defending Hybrid Large Language Models Against Hidden State Poisoning Attacks [48.54598003197356]
  Mambaのような状態空間モデル(SSM)はトランスフォーマーの効率的な代替品として大きな注目を集めている。 HiSPAsは、最近発見された脆弱性で、敵対する文字列を通じてSSMメモリを破損させる。 この脅威に対して防御するためのCLASPモデルを紹介します。
  論文  参考訳（メタデータ） (2026-03-12T17:29:55Z)
• Multi-Targeted Graph Backdoor Attack [0.038233569758620044]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にまたがる臨界問題の解決において、例外的なパフォーマンスを示している。 グラフ分類のためのバックドアアタックに関する既存の研究は、サブグラフ置換を用いた単一ターゲットアタックに限られている。 グラフ分類タスクにおいて,複数のトリガが同時に予測を異なるターゲットラベルにリダイレクトする,最初のマルチターゲットバックドアアタックを導入する。
  論文  参考訳（メタデータ） (2026-01-21T21:23:51Z)
• Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks [53.972077392749185]
  近年の研究では、ノード分類タスクに対する敵対的中毒攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性が明らかにされている。 ここでは、最初のプラグアンドプレイディフェンスモデルであるGrimmを紹介します。
  論文  参考訳（メタデータ） (2024-12-11T17:17:02Z)
• Intra-Section Code Cave Injection for Adversarial Evasion Attacks on Windows PE Malware File [0.0]
  本研究は,Windows PE のマルウェアファイルのセクション(区間内)内にコード穴を注入して,対向的摂動の空間を作る手法を提案する。 さらに、PEファイル内にコードローダが注入され、実行中に敵のマルウェアを元の形式に戻す。
  論文  参考訳（メタデータ） (2024-03-11T04:34:42Z)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• 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)
• Detecting Network Anomalies using Rule-based machine learning within SNMP-MIB dataset [0.5156484100374059]
  本稿では、DOS攻撃と通常のトラフィックを区別するために、採用データセットに依存するネットワークトラフィックシステムを開発した。 検出モデルは5つのルールベース機械学習分類器(DecisionTable, JRip, OneR, Part, ZeroR)で構築される。
  論文  参考訳（メタデータ） (2020-01-18T13:05:41Z)

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。