Fugu-MT 論文翻訳(概要): Name2Pkg: Lightweight One-Class Android Malware Screening via Name-Package Correspondence Modeling

論文の概要: Name2Pkg: Lightweight One-Class Android Malware Screening via Name-Package Correspondence Modeling

arxiv url: http://arxiv.org/abs/2609.24389v1
Date: Mon, 21 Sep 2026 10:34:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 15:36:07.162143
Title: Name2Pkg: Lightweight One-Class Android Malware Screening via Name-Package Correspondence Modeling
Title（参考訳）: Name2Pkg:name-Package対応モデリングによる軽量ワンクラスAndroidマルウェアスクリーニング
Abstract要約: 悪意のあるアプリは、ユーザ向けアプリ名とパッケージ名の間に弱い対応を示す可能性がある。軽量な一級分類法であるName2Pkgを提案する。 Name2Pkgは大規模セキュリティシステムに対して効率的かつ効果的な事前フィルタリング信号を提供する。
参考スコア（独自算出の注目度）: 3.0623865942628594
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning-based malware detection has been widely adopted in security-critical services. Most detection methods rely on internal features extracted from APK files or runtime behavior. However, extracting these features is computationally expensive. This limits their use in large-scale, early-stage screening. Malicious apps may exhibit weak correspondence between their user-facing app names and package names, providing a low-cost screening signal. We present Name2Pkg, a lightweight one-class classification method. It leverages only the app name and the package name. We formulate malware screening as a sequence anomaly detection problem. A character-level sequence-to-sequence model estimates the conditional likelihood of a package name given the app name. The length-normalized negative log-likelihood serves as the anomaly score. We train the model and calibrate the threshold using only benign data. Using a dataset of 67,129 real-world applications, Name2Pkg achieves an area under the receiver operating characteristic curve (ROC-AUC) of 0.982 and malware recall of 0.885 at an achieved false-positive rate of 0.044 on held-out test data. It has a 3.57 MiB checkpoint and a CPU inference latency of 28.20 ms per sample. Name2Pkg provides an efficient and effective pre-filtering signal for large-scale security systems.
Abstract（参考訳）: ディープラーニングベースのマルウェア検出は、セキュリティクリティカルなサービスで広く採用されている。ほとんどの検出方法はAPKファイルから抽出された内部機能や実行時の動作に依存している。しかし,これらの特徴の抽出には計算コストがかかる。これにより、大規模な早期スクリーニングでの使用が制限される。悪意のあるアプリは、ユーザ向けアプリ名とパッケージ名の間に弱い対応を示し、低コストのスクリーニング信号を提供する。軽量な一級分類法であるName2Pkgを提案する。アプリ名とパッケージ名のみを利用する。我々は、シーケンス異常検出問題としてマルウェアスクリーニングを定式化する。キャラクタレベルのシーケンス・ツー・シーケンスモデルでは、アプリ名が与えられたパッケージ名の条件付き確率を推定する。長さ正規化された負の対数類似度は異常スコアとして機能する。モデルをトレーニングし、良性データのみを使用してしきい値のキャリブレーションを行います。実世界の67,129本のデータセットを用いて、Name2Pkgは0.982の受信機動作特性曲線(ROC-AUC)と0.885のマルウェアリコールの領域をホールドアウトテストデータ上で0.044の偽陽性率で達成する。 3.57のMiBチェックポイントを持ち、CPU推論のレイテンシはサンプルあたり28.20ミリ秒である。 Name2Pkgは大規模セキュリティシステムに対して効率的かつ効果的な事前フィルタリング信号を提供する。

関連論文リスト

PYPILINE: Malicious PyPI Package Detection via Suspicious API Knowledge and Agent Workflow [6.0010781463195455]
従来の静的なルール検出方法は、経験豊富なセキュリティ担当者による継続的なメンテナンスを必要とする。 PyPILINEは疑わしいAPI知識とエージェントワークフローを組み合わせて、悪意のあるPyPIパッケージを検出する。 PYPILINEの精度は96.7%、リコールは99.6%、F1スコアは98.1%である。
論文参考訳（メタデータ） (2026-06-17T13:37:17Z)
Mind the Gap: Evaluating LLMs for High-Level Malicious Package Detection vs. Fine-Grained Indicator Identification [1.1103813686369686]
大きな言語モデル(LLM)が自動セキュリティタスクのための有望なツールとして登場した。本稿では,悪意のあるソフトウェアパッケージを検出するために,13個のLSMを体系的に評価する。
論文参考訳（メタデータ） (2026-02-18T09:36:46Z)
Cutting the Gordian Knot: Detecting Malicious PyPI Packages via a Knowledge-Mining Framework [14.0015860172317]
Python Package Index(PyPI)は悪意のあるアクターのターゲットとなっている。現在の検出ツールは偽陽性率15～30%を生成し、不正に正規パッケージの3分の1を悪意のあるものとフラグ付けしている。我々は,検出障害を有用な行動知識に変換する知識駆動型フレームワークであるPyGuardを提案する。
論文参考訳（メタデータ） (2026-01-23T05:49:09Z)
Sharpness-aware Dynamic Anchor Selection for Generalized Category Discovery [61.694524826522205]
既知のクラスのラベル付きデータを考えると、GCDは既知のクラスと未知のクラスの両方を含むラベルなしデータをクラスタ化することを目的としている。大規模な事前学習モデルでは、特定の視覚的パターンが好まれ、ラベルのないデータに対して刺激的な相関を符号化する。 LSP(Los Sharpness Penalty)とDAS(Dynamic Anchor Selection)の2つのモジュールを含む新しい手法を提案する。
論文参考訳（メタデータ） (2025-12-15T02:24:06Z)
MICE for CATs: Model-Internal Confidence Estimation for Calibrating Agents with Tools [54.63478102768333]
十分に校正されたモデル信頼度は、潜在的な行動の報酬に対するリスクを測るために使用することができる。本稿では,ツール呼び出し時の信頼度を評価するために,モデル内信頼度推定器(MICE)の新たなクラスを提案する。
論文参考訳（メタデータ） (2025-04-28T18:06:38Z)
Malware Detection based on API calls [0.48866322421122627]
我々は、マルウェアの脅威を検出し緩和するための軽量でオーダー不変なアプローチを探究する。我々は、良心または悪意のある活動を示すラベルを付した、300万以上のサンプルの公開データセットを公開します。ランダムな森林のような機械学習アルゴリズムを活用し、API呼び出しシーケンスのパターンや異常を調べて行動分析を行う。
論文参考訳（メタデータ） (2025-02-18T13:51:56Z)
Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
論文参考訳（メタデータ） (2023-12-25T21:25:55Z)
Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文参考訳（メタデータ） (2020-11-25T20:05:23Z)
Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
論文参考訳（メタデータ） (2020-07-07T18:40:19Z)
Maat: Automatically Analyzing VirusTotal for Accurate Labeling and Effective Malware Detection [71.84087757644708]
マルウェア分析と検出の研究コミュニティは、約60台のスキャナーのスキャン結果に基づいてAndroidアプリをラベル付けするために、オンラインプラットフォームVirusTotalに依存している。 VirusTotalから取得したスキャン結果を最もよく解釈する方法の基準はありません。機械学習(ML)ベースのラベリングスキームを自動生成することで,標準化と持続可能性というこれらの問題に対処する手法であるMaatを実装した。
論文参考訳（メタデータ） (2020-07-01T14:15:03Z)

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。