論文の概要: DistillGuard: Malicious NPM Package Detection and API Attack Chain Analysis via Static Graph and LLM Distillation

• arxiv url: http://arxiv.org/abs/2609.28996v1
• Date: Thu, 24 Sep 2026 04:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.705106
• Title: DistillGuard: Malicious NPM Package Detection and API Attack Chain Analysis via Static Graph and LLM Distillation
• Title（参考訳）: DistillGuard:静的グラフとLCM蒸留による悪意のあるNPMパッケージ検出とAPIアタックチェーン解析
• Abstract要約: DistillGuardは軽量で悪意のあるNPMパッケージ検出フレームワークである。 静的グラフ意味解析とLLM知識蒸留を組み合わせる。 精度は95.3%、精度は99.4%、F1スコアは93.8%で、最先端のツールを上回っている。
• 参考スコア（独自算出の注目度）: 3.0790015351343647
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Node.js ecosystem heavily relies on NPM packages, and software supply chain attacks targeting malicious NPM packages are rampant. Malicious code primarily triggers during package installation, import, and runtime. Traditional static analysis fails to understand code semantics; machine learning-based methods rely on feature extraction, which suffers from concept drift; existing LLM solutions suffer from high invocation costs, high data security risks, and poor performance. To overcome these limitations, we propose DistillGuard, a lightweight malicious NPM package detection framework that combines static graph semantic analysis and LLM knowledge distillation. DistillGuard first acquires multi-granular features through three static analysis modules. Then, it leverages online LLM to distill high-quality security knowledge and structured labels. Finally, it uses LoRa to efficiently fine-tune the open-source Qwen3-8B model to support offline deployment. Experiments show that DistillGuard achieves an accuracy of 95.3\%, a precision of 99.4\%, and an F1 score of 93.8\%, outperforming state-of-the-art tools, improving the F1-score by 11.1 to 30.0 percentage points over the baselines. Our empirical research further reveals the stages of malicious attacks and the distribution of malicious behaviors. We also summarized eight typical API attack chains for malicious activities, providing practical insights for NPM supply chain security defense.
• Abstract（参考訳）: Node.jsエコシステムはNPMパッケージに大きく依存しており、悪意のあるNPMパッケージをターゲットにしたソフトウェアサプライチェーンアタックが急増している。 悪意のあるコードは、主にパッケージのインストール、インポート、実行中にトリガーされる。 従来の静的解析では、コードのセマンティクスを理解できず、機械学習ベースのメソッドはコンセプトドリフトに苦しむ機能抽出に依存しており、既存のLLMソリューションは、高い呼び出しコスト、高いデータセキュリティリスク、パフォーマンスの低下に悩まされている。 これらの制限を克服するため,静的グラフ意味解析とLLM知識蒸留を組み合わせた軽量なNPMパッケージ検出フレームワークであるDistillGuardを提案する。 DistillGuardはまず,3つの静的解析モジュールを通じて,複数のグラニュラ機能を取得する。 そして、オンラインLLMを利用して、高品質なセキュリティ知識と構造化ラベルを蒸留する。 最後に、LoRaを使用して、オフラインデプロイメントをサポートするためにオープンソースのQwen3-8Bモデルを効率的に微調整する。 実験の結果、ディスティルガードの精度は95.3\%、精度は99.4\%、F1スコアは93.8\%で、最先端のツールよりも優れ、F1スコアは1.1から30.0ポイント向上した。 我々の実証研究は、悪意ある攻撃の段階と悪意ある行動の分布をさらに明らかにしている。 また、悪意ある活動のための8つの典型的なAPIアタックチェーンを要約し、NPMサプライチェーンのセキュリティ防衛の実践的な洞察を提供した。

関連論文リスト

• ProfMalPlus: Agent-Coordinated Detection of Malicious NPM Packages via Static-Dynamic Analysis Synergy [23.914217277586477]
  ProfMalPlusは、オブジェクト感性行動グラフと協調LLM推論を組み合わせた悪質なNPMパッケージ検出器である。 インストールコマンドとエントリファイルを識別し、機密性の高いAPI、サードパーティの呼び出し、未解決の呼び出しをキャプチャしたグラフを構築する。 ProfMalPlusは98.1%のF1スコアを獲得し、最先端の検出器を3.5%から52.6%向上させた。
  論文  参考訳（メタデータ） (2026-07-15T15:52:11Z)
• 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)
• Understanding and Mitigating Prompt Leaking Attacks in Real-World LLM-Based Applications [57.33208520608409]
  本稿では,大規模言語モデル(LLM)に基づくアプリケーションにおいて,プロンプトリークのシステマティックスタディを提案する。 デプロイの80%以上は、現実的な逆クエリの下で、システムにリークする。 我々は、最適化可能なソフトプロンプトを用いてモデルの注意を喚起する実用的な防御であるARAを提案する。
  論文  参考訳（メタデータ） (2026-06-17T04:20:00Z)
• 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)
• Taint-Based Code Slicing for LLMs-based Malicious NPM Package Detection [2.398400814870029]
  本稿では,LLMをベースとした悪意あるパッケージ検出タスクにおいて,コードスライシング技術を活用する新しいフレームワークを提案する。 バックトラッキング機構によって強化されたnpmパッケージのためのテントベースの特殊スライシング手法を提案する。 5000以上の悪意のあるnpmパッケージのデータセットに対する評価は,我々のアプローチがセキュリティ関連コードを分離し,入力量を99%以上削減していることを示している。
  論文  参考訳（メタデータ） (2025-12-13T12:56:03Z)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• MalGuard: Towards Real-Time, Accurate, and Actionable Detection of Malicious Packages in PyPI Ecosystem [11.834078597426409]
  PyPIの安全性と安定性を確保する上で、悪意あるパッケージ検出が重要な課題となっている。 既存の検出アプローチは、従来の機械学習(ML)モデルから大規模言語モデル(LLM)へと進化する、モデル選択の進歩に重点を置いている。 グラフ中心性解析とLIME(Local Interpretable Model-Agnostic Explanations)アルゴリズムに基づくMalGuard手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T12:30:56Z)
• Iterative Self-Tuning LLMs for Enhanced Jailbreaking Capabilities [50.980446687774645]
  本稿では,対戦型LDMをジェイルブレイク能力に富んだ反復的自己調整プロセスであるADV-LLMを紹介する。 我々のフレームワークは,様々なオープンソース LLM 上で ASR を100% 近く達成しながら,逆接接尾辞を生成する計算コストを大幅に削減する。 Llama3のみに最適化されているにもかかわらず、GPT-3.5では99%のASR、GPT-4では49%のASRを達成している。
  論文  参考訳（メタデータ） (2024-10-24T06:36:12Z)
• Leveraging Large Language Models to Detect npm Malicious Packages [4.479741014073169]
  本研究では,Large Language Models (LLMs) の有効性を実証的に検討した。 我々は、悪意のあるコードを検出する悪意のあるコードレビューワークフローであるSocketAIを紹介する。
  論文  参考訳（メタデータ） (2024-03-18T19:10:12Z)

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。