論文の概要: Weaponizing Ground Truth: Data Poisoning Attacks by Exploiting Boundary Misalignment Between Antivirus Software and Learning-Based Detectors

• arxiv url: http://arxiv.org/abs/2609.31003v1
• Date: Fri, 25 Sep 2026 08:48:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.316588
• Title: Weaponizing Ground Truth: Data Poisoning Attacks by Exploiting Boundary Misalignment Between Antivirus Software and Learning-Based Detectors
• Title（参考訳）: 反ウイルスソフトウェアと学習型検知器の境界ミスを爆発的に発するデータ中毒攻撃
• Abstract要約: AV生成ラベルに対するマルウェアラベル付けパイプラインの信頼性を活用するブラックボックス中毒フレームワークであるBi-Iocaneを提案する。 Bi-IocaneはAV感受性バイトを同定し、ラベル変更を誘導するように修飾する。 マルウェアのこのようなバイトを書き換えて、良性ラベル(回避指向の毒殺)を取得し、マルウェアに関連するバイトパターンを良性ソフトウェアに注入し、悪意のあるラベルを得る。
• 参考スコア（独自算出の注目度）: 8.984406958712215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning (ML)-based malware detectors are commonly trained using labels obtained from antivirus (AV) engines and aggregation services (e.g., VirusTotal). This practice assumes AV-generated labels provide reliable supervision. However, small byte-level modifications can substantially alter AV verdicts while leaving the representations perceived by downstream ML detectors largely unchanged, producing label-feature inconsistencies that can contaminate training datasets and create poisoning opportunities for ML-based malware detection. We present Bi-Iocane, a black-box poisoning framework that exploits the reliance of malware-labeling pipelines on AV-generated labels. Bi-Iocane identifies AV-sensitive bytes and modifies them to induce label changes. It rewrites such bytes in malware to obtain benign labels (evasion-oriented poisoning) and injects malware-associated byte patterns into benign software to obtain malicious labels (defamation-oriented poisoning). These poisoned samples and their lightly modified variants corrupt training data and cause selected targets to be misclassified. We evaluate Bi-Iocane with 13 AV engines simulating AV aggregation services and eight ML detectors. For 30 malware and 30 benign clean targets, Bi-Iocane combines AV-specific manipulations to generate malware-to-benign and benign-to-malware poisoned samples whose all tested AV-based labels are flipped. After these poisoned samples and variants are used for downstream training, the resulting ML models misclassify 92.08% of the original clean targets on average with only a 0.06\% poisoning budget per target. Meanwhile, the poisoned models largely preserve clean-set performance, and six evaluated poisoning defenses show only limited mitigation. VirusTotal evaluation further confirms practical defamation risk and reveals potential evasion risk in real-world AV-to-ML labeling supply chains.
• Abstract（参考訳）: 機械学習(ML)ベースのマルウェア検出装置は、アンチウイルス(AV)エンジンとアグリゲーションサービス(例: VirusTotal)から得られたラベルを使って、一般的に訓練されている。 この慣行は、AV生成ラベルが信頼できる監督を提供すると仮定する。 しかし、小さなバイトレベルの修正は、下流ML検出器によって認識される表現がほとんど変化せず、トレーニングデータセットを汚染し、MLベースのマルウェア検出のための有毒な機会を生んだラベル不整合を発生させながら、AVの判定を著しく変更することができる。 AV生成ラベルに対するマルウェアラベル付けパイプラインの信頼性を活用するブラックボックス中毒フレームワークであるBi-Iocaneを提案する。 Bi-IocaneはAV感受性バイトを同定し、ラベル変更を誘導するように修飾する。 マルウェアのこのようなバイトを書き換えて、良性ラベル(回避指向の毒)を取得し、マルウェアに関連するバイトパターンを良性ソフトウェアに注入し、悪意のあるラベル(破壊指向の毒)を得る。 これらの有毒試料とその軽微な修正された変種は訓練データを破損させ、選択された標的を誤って分類する原因となった。 AVアグリゲーションサービスと8つのML検出器を模擬した13個のAVエンジンを用いたBi-Iocaneの評価を行った。 30のマルウェアと30の良質なクリーンターゲットに対して、Bi-IocaneはAV固有の操作を組み合わせて、テストされたAVベースのラベルがすべてフリップされたマルウェアから良質で良質な有毒なサンプルを生成する。 これらの有毒なサンプルと変種を下流での訓練に使用した後、結果として得られたMLモデルは、平均して元のクリーンターゲットの92.08%を、標的当たりの有毒度がわずか0.06\%と誤って分類する。 一方、毒入りモデルはクリーンセット性能を保ち、6つの評価された毒の防御は限定的な緩和しか示さなかった。 VirusTotalの評価は、現実のAV-to-MLラベリングサプライチェーンにおける事実上の破壊リスクをさらに確認し、潜在的回避リスクを明らかにする。

関連論文リスト

• Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection [0.03110995905282904]
  機械学習ベースのマルウェア検出装置は、アンチウイルスやエンドポイント検出システムに広くデプロイされている。 本稿では,マルウェアサンプルを特定の良性ソフトウェアカテゴリに意図的に分類できるかどうかを検討する。 本稿では,デコーダを厳密に付加した条件変分オートエンコーダ(CVAE)を中心としたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-18T16:32:45Z)
• 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)
• MalDICT: Benchmark Datasets on Malware Behaviors, Platforms, Exploitation, and Packers [44.700094741798445]
  マルウェア分類に関する既存の研究は、悪意のあるファイルと良性のあるファイルの区別と、家族によるマルウェアの分類という2つのタスクにのみ焦点をあてている。 我々は、マルウェアが提示する行動の分類、マルウェアが実行しているプラットフォーム、マルウェアが悪用する脆弱性、マルウェアが詰め込まれているパッカーの4つのタスクを特定した。 ClarAVyを使ってタグ付けされ、合計で550万近い悪意のあるファイルで構成されています。
  論文  参考訳（メタデータ） (2023-10-18T04:36:26Z)
• Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
  そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。 暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。 我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:45:24Z)
• 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)
• Fast & Furious: Modelling Malware Detection as Evolving Data Streams [6.6892028759947175]
  マルウェアはコンピュータシステムにとって大きな脅威であり、サイバーセキュリティに多くの課題を課している。 本研究では,2つのAndroidデータセットに対するマルウェア分類器に対する概念ドリフトの影響を評価する。
  論文  参考訳（メタデータ） (2022-05-24T18:43:40Z)
• 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)
• Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers [47.828297621738265]
  攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。 マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。 我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:27:44Z)
• 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)
• Deep Partition Aggregation: Provable Defense against General Poisoning Attacks [136.79415677706612]
  アドリアリン中毒は、分類器の試験時間挙動を損なうために訓練データを歪ませる。 毒殺攻撃に対する2つの新たな防御策を提案する。 DPAは一般的な中毒脅威モデルに対する認証された防御である。 SS-DPAはラベルフリップ攻撃に対する認証された防御である。
  論文  参考訳（メタデータ） (2020-06-26T03:16:31Z)

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。