論文の概要: A TTP by TTP Approach: Precise Malware Detection via Malicious TTP Recognition

• arxiv url: http://arxiv.org/abs/2609.06579v1
• Date: Sun, 06 Sep 2026 12:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.266932
• Title: A TTP by TTP Approach: Precise Malware Detection via Malicious TTP Recognition
• Title（参考訳）: TTPによるTTPアプローチ:悪性TTP認識による高精度マルウェア検出
• Abstract要約: 本研究では、ニューラルネットワークモデルを用いて、任意のサンプルが使用する戦術、技法、手順(TTP)に関する情報を提供することで、マルウェアを正確に検出できることを示す。 提案手法は,TTP情報を悪用しない,あるいはTTPの悪用を検出するための教育を受けていない,3つの代替モデルよりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning methods, and especially neural networks, are now routinely used for malware detection in network traffic. Though very effective, systems based on such methods often (i) are purely data-driven, ignoring the substantial body of available knowledge about the tactics, techniques, and procedures (TTPs) possibly used, and, consequently (ii) are not precise, since they either cannot correlate malicious activity with TTP usage, or if they do, they are unable to explain which TTP has been maliciously used. In this paper we demonstrate that it is possible to precisely detect malware by (i) providing the neural network model with information about the TTPs used by any given sample, and (ii) teaching the neural network to detect not just the malicious activity as a whole, but which specific TTPs are maliciously used. We show that our approach consistently outperforms the three alternative models, which either do not exploit TTP information, or which are not taught to detect the malicious usage of TTPs, or both. Moreover, we show that our approach (i) is particularly beneficial in detecting malware that utilises rarely-used TTPs, a scenario which is particularly challenging for the other systems; (ii) allows for TTP by TTP tuning, further improving its ability to detect the malicious usage of TTPs; (iii) consistently outperforms other systems across a wide-range of scenarios, including when relying on limited training data or when subjected to adversarial attack.
• Abstract（参考訳）: 機械学習、特にニューラルネットワークは、ネットワークトラフィックにおけるマルウェア検出に日常的に使用されている。 非常に効果的ではあるが、そのような方法に基づくシステムはしばしば i) 純粋にデータ駆動であり、使用可能な戦術、技術、手順(TTP)に関する実質的な知識を無視し、その結果 (ii)は、TTPの使用と悪意のある活動の関連付けができないか、あるいはその場合、どのTTPが悪用されたかを説明できないため、正確ではない。 本稿では,マルウェアの正確な検出が可能であることを実証する。 一 任意のサンプルが使用するTPに関する情報をニューラルネットワークモデルに提供し、 二 ニューラルネットワークに、悪意のある活動全体だけでなく、特定のTTPが悪用されていることを検知するように教えること。 提案手法は,TTP情報を利用していない,あるいはTTPの悪意のある使用を検知しない,あるいはその両方を学習していない3つの代替モデルよりも一貫して優れていることを示す。 さらに、我々のアプローチは、 i) 滅多に使われないTTPを利用するマルウェアの検出において特に有用であり、これは他のシステムにとって特に困難なシナリオである。 (ii) TTPチューニングによりTTPを可能にすることにより、TTPの悪意のある使用を検出する能力をさらに向上する。 第三に、限られた訓練データに依存する場合や、敵の攻撃を受ける場合など、幅広いシナリオにおいて、他のシステムよりも一貫して優れています。

関連論文リスト

• Identifying Adversary Tactics and Techniques in Malware Binaries with an LLM Agent [14.390174111177158]
  現実世界のマルウェアバイナリは通常、シンボルから取り除かれ、多数の関数を含み、悪意のある振る舞いを複数のコード領域に分散する。 最近の大規模言語モデル(LLM)は、強力なコード理解機能を提供するが、このタスクに直接適用することは、課題に直面している。 本報告では, TTP を識別する最初の LLM エージェントであるTTPDetect について述べる。
  論文  参考訳（メタデータ） (2026-02-06T02:42:48Z)
• TTP: Test-Time Padding for Adversarial Detection and Robust Adaptation on Vision-Language Models [32.85951917559796]
  本稿では, 対向検出を行う軽量な防御フレームワークであるTest-Time Padding (TTP) を提案する。 TTPは最先端のテスト時間防衛を一貫して上回り、クリーンな精度を損なうことなく敵の堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-18T13:34:14Z)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)
• Investigation of Advanced Persistent Threats Network-based Tactics, Techniques and Procedures [1.0787328610467801]
  本研究では22年以上にわたるAPT(Advanced Persistent Threats)の進化について検討した。 私たちは、その回避技術と、何ヶ月、何年にもわたって検出されていない方法に重点を置いています。 回避テクニックをデプロイする最も一般的なプロトコルは、APTキャンペーンの81%がHTTP(S)を使っている。
  論文  参考訳（メタデータ） (2025-02-12T22:38:50Z)
• Detecting APT Malware Command and Control over HTTP(S) Using Contextual Summaries [1.0787328610467801]
  本稿では,APTマルウェアのコマンドを検知し,コンテキストサマリを用いてHTTP(S)の制御を行うアプローチであるEarlyCrowを提案する。 EarlyCrowの設計は、最近APTキャンペーンで使われたツールによって生成されたトラフィックに存在するTPに着目した、新しい脅威モデルによって通知される。 EarlyCrowはPairFlowと呼ばれる新しい多目的ネットワークフローフォーマットを定義しており、PCAPキャプチャのコンテキスト概要を構築するために利用される。
  論文  参考訳（メタデータ） (2025-02-07T22:38:39Z)
• Tactics, Techniques, and Procedures (TTPs) in Interpreted Malware: A Zero-Shot Generation with Large Language Models [18.024835965133104]
  OSSマルウェアはソフトウェアサプライチェーン攻撃において重要な役割を果たす。 我々は,解釈されたマルウェアパッケージのTTPを抽出するゼロショットアプローチであるGENTTPを提案する。 GENTTPは高い精度と効率でTPを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-07-11T14:18:41Z)
• Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
  テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。 完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
  論文  参考訳（メタデータ） (2024-04-07T22:31:34Z)
• Noise Contrastive Estimation-based Matching Framework for Low-Resource Security Attack Pattern Recognition [45.34519578504934]
  TTP(Tactics, Techniques and Procedures)は、サイバーセキュリティドメインにおける高度な攻撃パターンを表す。 そこで本研究では,TTPラベルへのテキストの割り当てが,両者の直接的な意味的類似性によって決定される,異なる学習パラダイムの問題を定式化する。 本稿では,効果的なサンプリングベース学習機構を備えたニューラルマッチングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-18T19:02:00Z)
• Adversarial Attacks and Defense for Non-Parametric Two-Sample Tests [73.32304304788838]
  本稿では,非パラメトリックTSTの障害モードを逆攻撃により系統的に明らかにする。 TST非依存的な攻撃を可能にするために,異なる種類のテスト基準を協調的に最小化するアンサンブル攻撃フレームワークを提案する。 そこで本研究では,TSTの強化のために,逆対を反復的に生成し,深層カーネルを訓練する最大最小最適化を提案する。
  論文  参考訳（メタデータ） (2022-02-07T11:18:04Z)
• Enhancing Adversarial Robustness via Test-time Transformation Ensembling [51.51139269928358]
  テスト時間変換を組み込んだモデルを組み込むことが,敵攻撃に対する信頼性の高い防御手段として有効であることを示す。 TTEは、再トレーニングを必要とせずに、様々な強力な攻撃に対するモデルロバスト性を一貫して改善することを示します。
  論文  参考訳（メタデータ） (2021-07-29T15:32:35Z)
• Temporally-Transferable Perturbations: Efficient, One-Shot Adversarial Attacks for Online Visual Object Trackers [81.90113217334424]
  本研究では, オブジェクトテンプレート画像からのみ, 一時移動可能な対人的摂動を生成するフレームワークを提案する。 この摂動はあらゆる検索画像に追加され、事実上何のコストもかからないが、それでもトラッカーを騙すのに成功している。
  論文  参考訳（メタデータ） (2020-12-30T15:05:53Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。