論文の概要: Breaking Windows Malware Detection: A Comprehensive Evaluation of Problem-Space Adversarial Robustness

• arxiv url: http://arxiv.org/abs/2609.34456v1
• Date: Mon, 28 Sep 2026 07:13:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 13:26:37.876167
• Title: Breaking Windows Malware Detection: A Comprehensive Evaluation of Problem-Space Adversarial Robustness
• Title（参考訳）: Windowsのマルウェア検出を破る:問題空間の逆ロバスト性に関する総合的評価
• Abstract要約: 問題空間回避攻撃は、機械学習ベースのマルウェア検知器において重大な弱点を露呈している。 8つのWindowsマルウェア検出装置に対する9つの最先端の回避攻撃を評価した。
• 参考スコア（独自算出の注目度）: 16.771125084364233
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Problem-space evasion attacks have exposed critical weaknesses in machine learning-based malware detectors; yet, their evaluation remains fragmented across models, datasets, and attack methodologies, often neglecting domain-specific requirements such as executability and functionality preservation. We address this gap with a unified, large-scale evaluation of nine state-of-the-art evasion attacks against eight Windows malware detectors, including seven open-source models and one commercial detector, under executability-preserving conditions. Our study analyzes attack effectiveness, complementarity, transferability, and adversarial hardening to evaluate robustness along complementary dimensions. We show that detector vulnerability depends strongly on both model representation and attack type: raw-byte detectors are particularly susceptible to several classes of problem-space manipulation, but no detector family is uniformly robust across all attacks. Importantly, effectiveness is not explained by transformation-space size alone: the strongest attacks can achieve substantially higher success while using fewer distinct transformations and concentrating on a small set of high-impact manipulations. We further show that two complementary attacks are sufficient to cover approximately 99% of the adversarial examples produced by the remaining evaluated attacks. Transferability exhibits a different pattern from direct attack success: attacks with low direct success can produce highly transferable evasions. Finally, adversarial hardening is highly attack- and model-dependent: robustness gains often fail to transfer across attacks and can even increase susceptibility to unseen attacks. These findings highlight limitations in current malware robustness evaluations, establish a comprehensive empirical baseline, and clarify relationships between effectiveness, transferability, and defense robustness.
• Abstract（参考訳）: 問題空間回避攻撃は、機械学習ベースのマルウェア検出において重大な弱点を露呈しているが、その評価はモデル、データセット、アタック方法論で断片化され、実行可能性や機能保存といったドメイン固有の要件を無視することが多い。 7つのオープンソースモデルと1つの商用検出器を含む8つのWindowsマルウェア検出装置に対して、実行可能性保存条件下で、9つの最先端の回避攻撃を統一的かつ大規模に評価することで、このギャップに対処する。 本研究は, 攻撃効果, 相補性, 伝達性, 対向硬化性を解析し, 相補次元に沿ったロバスト性を評価する。 生バイト検出器は、特にいくつかの問題空間操作のクラスに感受性があるが、全ての攻撃に対して一様に堅牢な検出器ファミリは存在しない。 重要なことは、効果は変換空間のサイズだけでは説明できない: 最も強い攻撃は、より少ない異なる変換を使用しながら、少数の高インパクト操作に集中しながら、著しく高い成功を達成することができる。 さらに,2つの相補的攻撃が,残りの攻撃による敵の約99%をカバーするのに十分であることを示す。 ダイレクトアタックの成功率の低いアタックは、非常にトランスファー可能なエスケープを生み出すことができる。 最後に、敵の強固化は、非常に攻撃的でモデルに依存しており、堅牢性の向上は、しばしば攻撃間での移動に失敗し、目に見えない攻撃に対する感受性を高めることさえある。 これらの知見は、現在のマルウェアのロバスト性評価の限界を強調し、総合的な経験ベースラインを確立し、有効性、転送可能性、防御ロバスト性の関係を明らかにする。

関連論文リスト

• REPLICANT: Learning Policies for Evading and Hardening Malware Detectors [48.41350618293826]
  Replicantは、厳格なラベルのみのブラックボックス脅威モデルの下で、回避の現実的なタスクを学ぶ、深い強化学習フレームワークである。 Replicantは,平均攻撃成功率78.8%を達成する上で,最も強力かつクエリ効率のよいアプローチであることを示す。 敵の訓練に使用する場合、Replicantはより一般化可能な検出器で検出器を生成することにより、最先端の技術を上回ります。
  論文  参考訳（メタデータ） (2026-08-28T16:29:17Z)
• DisPatch: Disarming Adversarial Patches in Object Detection with Diffusion Models [8.800216228212824]
  最先端のオブジェクト検出器はいまだに敵のパッチ攻撃に弱い。 オブジェクト検出のための最初の拡散型防御フレームワークであるDisdisを紹介する。 DISは、隠蔽攻撃と攻撃生成の両方において、最先端の防御を一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-04T18:20:36Z)
• It Only Gets Worse: Revisiting DL-Based Vulnerability Detectors from a Practical Perspective [14.271145160443462]
  VulTegraは、脆弱性検出のためのスクラッチトレーニングされたDLモデルと事前トレーニングされたDLモデルを比較する。 最先端のSOTA(State-of-the-art)検出器は、依然として低い一貫性、限られた現実世界能力、スケーラビリティの課題に悩まされている。
  論文  参考訳（メタデータ） (2025-07-13T08:02:56Z)
• Benchmarking Misuse Mitigation Against Covert Adversaries [80.74502950627736]
  既存の言語モデルの安全性評価は、オーバースト攻撃と低レベルのタスクに重点を置いている。 我々は、隠蔽攻撃と対応する防御の評価を自動化するデータ生成パイプラインである、ステートフルディフェンスのためのベンチマーク(BSD)を開発した。 評価の結果,分解攻撃は有効な誤用防止剤であり,その対策としてステートフルディフェンスを強調した。
  論文  参考訳（メタデータ） (2025-06-06T17:33:33Z)
• Multi-granular Adversarial Attacks against Black-box Neural Ranking Models [111.58315434849047]
  多粒性摂動を取り入れた高品質な逆数例を作成する。 我々は,多粒体攻撃を逐次的意思決定プロセスに変換する。 本手法は,攻撃の有効性と非受容性の両方において,一般的なベースラインを超えている。
  論文  参考訳（メタデータ） (2024-04-02T02:08:29Z)
• 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)
• Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
  エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。 既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。 以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
  論文  参考訳（メタデータ） (2022-07-20T19:49:09Z)
• Attack-Agnostic Adversarial Detection [13.268960384729088]
  本稿では,2つの側面において,敵対的不可知論による統計的偏差を定量化する。 本手法は, CIFAR10, CIFAR100, SVHNでそれぞれ94.9%, 89.7%, 94.6%のROC AUCを達成でき, 攻撃のほとんどにおいて敵の例で訓練した対向検出器と同等の性能を有することを示す。
  論文  参考訳（メタデータ） (2022-06-01T13:41:40Z)
• Reliable evaluation of adversarial robustness with an ensemble of diverse parameter-free attacks [65.20660287833537]
  本稿では,最適段差の大きさと目的関数の問題による障害を克服するPGD攻撃の2つの拡張を提案する。 そして、我々の新しい攻撃と2つの補完的な既存の攻撃を組み合わせることで、パラメータフリーで、計算に手頃な価格で、ユーザに依存しない攻撃のアンサンブルを形成し、敵の堅牢性をテストする。
  論文  参考訳（メタデータ） (2020-03-03T18:15:55Z)

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。