論文の概要: Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling

• arxiv url: http://arxiv.org/abs/2609.19900v1
• Date: Thu, 17 Sep 2026 08:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.173325
• Title: Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
• Title（参考訳）: Delphi Scanner: APIシーケンスモデリングによる効率的かつ解釈可能な静的マルウェア検出
• Abstract要約: 本稿では,Windows PEファイルに対する静的マルウェア検出システムについて紹介する。 190,000以上のWindows PEファイルで評価され、95.35%の精度で1.53MBのモデルフットプリントを実現している。 全体として、これらの結果は、APIシーケンスベースの静的解析が、ローカルデプロイメントシナリオにおけるマルウェアトリアージの実用的、解釈可能、効率的な基盤を提供することを示している。
• 参考スコア（独自算出の注目度）: 0.5201522439825673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Static malware detection for Windows Portable Executable files demands a careful balance between detection effectiveness, computational efficiency, and analytical interpretability. This paper introduces Delphi Scanner, a static malware detection system for Windows PE files that balances efficiency with behavioral interpretation. It uses a convolutional neural network (CNN) to model Windows API sequences to classify PE and a decoupled interpretation layer based on a rule-based layer to categorize APIs into high-level malicious capabilities. Evaluated on over 190,000 Windows PE files, the system achieves 95.35% accuracy with a 1.53~MB model footprint. Robustness experiments on 5,647 out-of-distribution MalwareBazaar samples, paired packed and unpacked executables, and three adversarial manipulation strategies confirm generalization beyond the training distribution and resistance to functionality-preserving evasion techniques. Overall, these results demonstrate that API sequence-based static analysis offers a practical, interpretable, and efficient foundation for malware triage in local deployment scenarios.
• Abstract（参考訳）: Windows Portable Executableファイルの静的マルウェア検出は、検出効率、計算効率、解析的解釈可能性の間の注意深いバランスを要求する。 本稿では,Windows PEファイルの静的マルウェア検出システムであるDelphi Scannerを紹介する。 畳み込みニューラルネットワーク(CNN)を使用して、Windows APIシーケンスをモデル化し、PEと分離された解釈層をルールベースの層に基づいて分類し、APIを高レベルの悪意のある機能に分類する。 190,000以上のWindows PEファイルで評価され、95.35%の精度で1.53~MBのモデルフットプリントを実現している。 5,647点のアウト・オブ・ディストリビューションであるMalwareBazaarサンプル、ペア充填およびアンパック実行可能ファイル、および3つの逆操作戦略によるロバスト性実験は、トレーニング分布を超える一般化と機能保存回避技術に対する抵抗性を確認した。 全体として、これらの結果は、APIシーケンスベースの静的解析が、ローカルデプロイメントシナリオにおけるマルウェアトリアージの実用的、解釈可能、効率的な基盤を提供することを示している。

関連論文リスト

• MalwarePT: A Binary-Level Foundation Model for Malware Analysis [18.754203608375704]
  MalwarePTは、ModernBERTスタイルのエンコーダ上に構築されたマルウェア分析のためのバイナリレベルの基礎モデルである。 コードセクションバイトにBPE(Byte-pair encoding)トークンをトレーニングし、頻繁なマルチバイトパターンを圧縮する。
  論文  参考訳（メタデータ） (2026-05-15T05:31:59Z)
• TorchLean: Formalizing Neural Networks in Lean [71.68907600404513]
  本稿では,学習モデルを一級数学的対象として扱うフレームワークであるTorchLeanを紹介する。 我々はTorchLeanのエンドツーエンドを、証明された堅牢性、PINNの物理インフォームド残差、Lyapunovスタイルのニューラルコントローラ検証で検証する。
  論文  参考訳（メタデータ） (2026-02-26T05:11:44Z)
• SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration [0.0]
  この作業では、AI駆動の三層検出フレームワークであるSecureScanが紹介されている。 VirusTotal APIを通じて、ロジスティック回帰に基づく分類、分析、外部脅威インテリジェンスを統合する。 ベンチマークデータセットでは、SecureScanは93.1%の精度でバランスの取れた精度を実現している。
  論文  参考訳（メタデータ） (2026-02-11T11:26:11Z)
• Certifiably robust malware detectors by design [48.367676529300276]
  設計によるロバストなマルウェア検出のための新しいモデルアーキテクチャを提案する。 すべての堅牢な検出器を特定の構造に分解することができ、それを経験的に堅牢なマルウェア検出器の学習に適用できることを示す。 我々のフレームワークERDALTはこの構造に基づいている。
  論文  参考訳（メタデータ） (2025-08-10T09:19:29Z)
• Dynamic Malware Classification of Windows PE Files using CNNs and Greyscale Images Derived from Runtime API Call Argument Conversion [0.4369550829556578]
  本稿では,Windows Portable Executable (PE)ファイルの実行時にAPI引数を抽出する動的マルウェア分類フレームワークを提案する。 実験の結果, 平均精度98.36%の手法は, マルウェアや良性の分類に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-05-30T05:48:10Z)
• Prompt Engineering-assisted Malware Dynamic Analysis Using GPT-4 [45.935748395725206]
  GPT-4を用いた即時エンジニアリング支援型マルウェア動的解析手法を提案する。 この方法では、APIシーケンス内の各API呼び出しに対する説明テキストを作成するために、GPT-4が使用される。 BERTはテキストの表現を得るために使われ、そこからAPIシーケンスの表現を導出します。
  論文  参考訳（メタデータ） (2023-12-13T17:39:44Z)
• 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)
• Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors [49.34155921877441]
  マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。 次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。 我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
  論文  参考訳（メタデータ） (2021-11-19T08:02:38Z)
• Towards an Automated Pipeline for Detecting and Classifying Malware through Machine Learning [0.0]
  Windows Portable Executable File (PE) を分類できるマルウェア分類パイプラインを提案する。 入力PEサンプルが与えられた場合、悪意または良性のいずれかに分類される。 悪意のある場合、パイプラインは脅威タイプ、家族、行動を確立するためにさらに分析する。
  論文  参考訳（メタデータ） (2021-06-10T10:07:50Z)
• 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。