論文の概要: ALIBI: Adversarial Legitimacy Injection in Binary Input against LLM Malware Analyzers

• arxiv url: http://arxiv.org/abs/2609.19722v1
• Date: Thu, 17 Sep 2026 05:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.117109
• Title: ALIBI: Adversarial Legitimacy Injection in Binary Input against LLM Malware Analyzers
• Title（参考訳）: ALIBI:LLMマルウェア解析装置に対するバイナリ入力の正当性注入
• Abstract要約: 我々は,フロンティアLSMベースのマルウェアに対するセマンティック・カバー・ストーリー・アタックであるALIBIを提案する。 ALIBIは、良心的なエンドポイントセキュリティツールの期待する振る舞いとして、疑わしい証拠を再設定する。 検証誘導された防御策は、良心的な評決をほぼ半分にするが、悪意のあるサンプルの42.9%はまだ良心に到達していない。
• 参考スコア（独自算出の注目度）: 0.05833117322405446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are being integrated into malware triage workflows as reasoning components that summarize static evidence and produce analyst-facing verdicts. This paper shows that the same reasoning capability introduces a new attack surface. We present ALIBI, a semantic cover story attack against frontier LLM-based malware analyzers. ALIBI adds a small, non-executed read-only section to a compiled binary, containing a coherent but false security product narrative, without altering imports or executable behavior. Instead of issuing direct instructions to the model, it reframes suspicious evidence as expected behavior of a benign endpoint security tool. On a frozen PE set of 50 malicious samples, the payload flips 30 of the 35 baseline-malicious samples to benign on Gemini 2.5 Pro, while GPT-5.5 Pro and Claude Opus 4.7 produce substantial severity downgrades with significant confidence reductions even when verdict labels are preserved. The attack transfers to ELF binaries, where Gemini flips 16 of 40. A verification-guided defense prompt roughly halves the benign verdicts, but 42.9 percent of malicious samples still reach benign. LLM malware analyzers therefore require provenance checks that separate verified facts from attacker-controlled claims, not narrative trust.
• Abstract（参考訳）: 大規模な言語モデルは、静的エビデンスを要約し、アナリストが直面する検証を生成する推論コンポーネントとして、マルウェアのトリアージワークフローに統合されている。 本稿では,同じ推論能力によって新たな攻撃面がもたらされることを示す。 ALIBIは、フロンティアLSMベースのマルウェアアナライザに対するセマンティック・カバー・ストーリー・アタックである。 ALIBIは、小さな、実行されない読み取り専用セクションをコンパイルされたバイナリに追加する。 モデルに直接指示を出す代わりに、不審な証拠を良質なエンドポイントセキュリティツールの振る舞いとして再設定する。 GPT-5.5 ProとClaude Opus 4.7は、判定ラベルが保存されている場合でも、かなりの信頼性の低下を伴う相当な重度ダウングレードを発生させる。 攻撃はELFバイナリに転送され、ジェミニは40点中16点を反転した。 検証誘導された防御策は、良心的な評決をほぼ半分にするが、悪意のあるサンプルの42.9%はまだ良心に到達していない。 LLMマルウェアアナライザは、物語的信頼ではなく、攻撃者によって制御されたクレームから検証された事実を分離する証明チェックを必要とする。

関連論文リスト

• SIR: Self-improving Red-teaming for Compute Use Agents [71.71987044117371]
  コンピュータ・ユース・エージェント(CUA、Computer use agent)は、マウス、キーボード、端末を通じて画面を認識し、実際のオペレーティングシステムに作用する視覚言語モデルである。 操作中に信頼できないコンテンツに晒されるため、間接的プロンプトインジェクション(IPI)に弱い。 SIRは,平易な言語で記述された再利用原則の小さなライブラリからステルスインジェクションを構成するブラックボックスIPIアタックである。
  論文  参考訳（メタデータ） (2026-08-31T03:39:43Z)
• SafeClawBench: Separating Semantic, Audit-Evidence, and Sandbox Harm in Tool-Using LLM Agents [31.978790013349947]
  SafeClawBenchは、600の制御された敵タスクを備えたツール使用エージェントセキュリティのためのベンチマークである。 5つのエージェントエンドポイントを4つのプロンプトレベルポリシーで評価する。 これらのエンドポイントは、異なる障害モードをキャプチャします。
  論文  参考訳（メタデータ） (2026-06-16T18:04:45Z)
• A Large Language Model Approach to Generating Bypass Rules for Malware Evasion in Analysis Sandbox [0.0]
  既存のアプローチは、各回避機構の深いリバースエンジニアリングを必要とする手作業によるバイパスルールに依存している。 本稿では,潜在的回避行動により停止したマルウェアから発生する実行トレースを解析する ABLE を提案する。 ABLEは成功率79%をバイパスし、反復改良は成功例の29.5%に寄与している。
  論文  参考訳（メタデータ） (2026-05-20T23:43:02Z)
• Measuring and Exploiting Confirmation Bias in LLM-Assisted Security Code Review [6.417595678110472]
  ソフトウェアサプライチェーン攻撃において,確認バイアスがLSMベースの脆弱性検出に影響を及ぼすか,また,この障害モードを悪用できるかを検討する。 調査1では,5つのフレーミング条件下で4つの最先端モデルに対して評価された250個のCVE脆弱性/パッチペアに対する制御実験により,確認バイアスを定量化する。 調査2は、既知の脆弱性を再導入する敵のプルリクエストを模倣して、セキュリティの改善やプルリクエストメタデータによる緊急機能修正を実施可能であることを評価する。
  論文  参考訳（メタデータ） (2026-03-19T10:40:27Z)
• The Trojan Example: Jailbreaking LLMs through Template Filling and Unsafety Reasoning [47.85771791033142]
  TrojFillはブラックボックスのジェイルブレイクで、安全でない命令をテンプレート入力タスクとして再設定する。 我々はTrojFillを、主要な大規模言語モデルにまたがる標準ジェイルブレイクベンチマークで評価する。 生成されたプロンプトは、以前のブラックボックス最適化アプローチと比較して、解釈可能性と転送可能性が改善されている。
  論文  参考訳（メタデータ） (2025-10-24T06:43:10Z)
• "Digital Camouflage": The LLVM Challenge in LLM-Based Malware Detection [0.0]
  大規模言語モデル(LLM)がマルウェア検出のための有望なツールとして登場した。 しかし、逆コンパイラレベルの難読化の下での信頼性はまだ発見されていない。 本研究は,コンパイラレベルの難読化技術に対する3つの最先端LCMのロバスト性を実証的に評価する。
  論文  参考訳（メタデータ） (2025-09-20T12:47:36Z)
• Paper Summary Attack: Jailbreaking LLMs through LLM Safety Papers [61.57691030102618]
  我々は新しいジェイルブレイク手法であるペーパー・サプリメント・アタック(llmnamePSA)を提案する。 攻撃に焦点をあてたLLM安全紙からコンテンツを合成し、敵のプロンプトテンプレートを構築する。 実験では、ベースLLMだけでなく、Deepseek-R1のような最先端の推論モデルにも重大な脆弱性がある。
  論文  参考訳（メタデータ） (2025-07-17T18:33:50Z)
• Revisiting Backdoor Attacks on LLMs: A Stealthy and Practical Poisoning Framework via Harmless Inputs [54.90315421117162]
  完全無害データを用いた新しい毒殺法を提案する。 自己回帰型LPMの因果推論に着想を得て,トリガーと肯定的応答プレフィックスの堅牢な関連性を確立することを目指す。 LLMは最初は同意するように見えるが,その後回答を拒む興味深い抵抗現象を観察する。
  論文  参考訳（メタデータ） (2025-05-23T08:13:59Z)
• Trust Under Siege: Label Spoofing Attacks against Machine Learning for Android Malware Detection [11.53708766953391]
  これは、最小限で検出不能な悪意のあるパターンを埋め込むことによって、クラウドソースデータセットを汚染する新たな脅威である。 我々は、現実的なデータソースを汚染する手法であるAndroVenomを開発することで、このシナリオを実証する。 実験により、最先端の機能抽出器はそのようなインジェクションをフィルタリングできないだけでなく、さまざまなMLモデルがDenial of Serviceを経験していることが示されている。
  論文  参考訳（メタデータ） (2025-03-14T20:05:56Z)
• Emulated Disalignment: Safety Alignment for Large Language Models May Backfire! [65.06450319194454]
  大きな言語モデル(LLM)は、人間との安全な会話を確保するために安全アライメントを行う。 本稿では,安全アライメントの反転が可能なトレーニングフリーアタック手法を提案する。 本手法をエミュレートした脱アライメント (ED) と呼ぶのは, このコントラスト分布からのサンプリングは, 安全報酬を最小限に抑えるため, 微調整の結果を確実にエミュレートするからである。
  論文  参考訳（メタデータ） (2024-02-19T18:16:51Z)
• 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)

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。