Fugu-MT 論文翻訳(概要): Behavior-Centric Malware Classification with Fine-Grained Malicious Logic Localization

論文の概要: Behavior-Centric Malware Classification with Fine-Grained Malicious Logic Localization

arxiv url: http://arxiv.org/abs/2609.38390v1
Date: Tue, 29 Sep 2026 18:47:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-01 18:57:26.613851
Title: Behavior-Centric Malware Classification with Fine-Grained Malicious Logic Localization
Title（参考訳）: 微粒な悪性論理局在を用いた行動中心型マルウェア分類
Abstract要約: 本稿では,悪質な行動の局所化と基本ブロックレベルでの分類について述べる。本稿では,マルウェアサンプルを行動に分解する行動中心分析フレームワークを提案する。 Transformerベースのモデルは命令レベルのセマンティクスをキャプチャし、グラフニューラルネットワークは構造的依存関係をモデル化する。
参考スコア（独自算出の注目度）: 1.6892707765686172
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effective malware analysis requires understanding not only whether a program is malicious, but also which behaviors it exhibits and where those behaviors originate in the code. Existing machine-learning-based malware detectors largely operate as black boxes, providing limited insight into the malicious logic responsible for their decisions. This paper addresses malicious behavior localization and classification at the basic-block level. We propose a behavior-centric analysis framework that decomposes malware samples into behaviors and systematically links these behaviors to their originating code regions. Using context-sensitive backward slicing from security-relevant system API calls, we reconstruct control- and data-dependency chains and represent each behavior as a structured graph of related basic blocks. A Transformer-based model captures instruction-level semantics, while a Graph Neural Network models structural dependencies within behavior graphs. The resulting representations are fused to enable accurate and interpretable classification, with attention-based attribution identifying code regions responsible for malicious behaviors. We evaluate our approach using standard classification metrics and a behavior coverage metric that measures the detection of manually labeled malicious behaviors. Our results demonstrate that the proposed framework achieves accurate malware classification while providing fine-grained, behavior-aware localization of malicious logic.
Abstract（参考訳）: 効果的なマルウェア分析は、プログラムが悪意があるかどうかだけでなく、そのプログラムがどの振る舞いを示すか、そしてそれらの振る舞いがコードに由来するかを理解する必要がある。既存の機械学習ベースのマルウェア検知器は、主にブラックボックスとして動作し、その決定に責任がある悪意のあるロジックについて限られた洞察を与える。本稿では,悪質な行動の局所化と基本ブロックレベルでの分類について述べる。本稿では,マルウェアサンプルを振る舞いに分解し,それらの振る舞いを元のコード領域に体系的に関連付ける行動中心分析フレームワークを提案する。セキュリティ関連API呼び出しからのコンテキスト依存の後方スライシングを用いて、制御チェーンとデータ依存チェーンを再構築し、それぞれの振る舞いを関連する基本ブロックの構造化グラフとして表現する。 Transformerベースのモデルは命令レベルのセマンティクスをキャプチャし、グラフニューラルネットワークは振る舞いグラフ内の構造的依存関係をモデル化する。結果の表現は、悪意のある振る舞いに責任があるコード領域を特定する注意に基づく属性によって、正確で解釈可能な分類を可能にするために融合される。本手法は,手動でラベル付けされた悪意のある行動の検出を計測する,標準的な分類基準と行動カバレッジ指標を用いて評価する。提案手法は,悪質な論理の微粒な振る舞い認識型ローカライゼーションを提供しながら,正確なマルウェア分類を実現する。

関連論文リスト

Guarding Organizations Against Malware Risk: A Novel Graph-Based Malware Detection Method [12.565923549919049]
MalGuardは、組織的なマルウェアリスク管理のためのグラフベースのマルウェア検出方法である。基本ブロックの凝集基を操作的役割として特定し、分離された基本ブロックから見えないプログラムの振る舞いを検知する。大規模な実験では、MalGuardは検出性能を改善し、未検出のマルウェアの予測コストを削減している。
論文参考訳（メタデータ） (2026-07-29T08:58:05Z)
When Rule Violations Are Rare: Chimera Training for Logical Anomaly Detection [56.362776482614976]
本研究では,学習した視覚概念に対する制約を論理規則として与える環境での異常検出について検討する。本稿では,各制約を有向非巡回グラフにコンパイルし,特徴認識サブツリーゲートを学習するニューラルルール評価器を提案する。 CLEVRER、OpenImages、VidOR全体で、結果として得られる評価は、独立イベントと同一イメージのセマンティックトレーニングベースラインよりもルールレベルのAUROCを改善する。
論文参考訳（メタデータ） (2026-05-25T02:52:36Z)
When Benign Inputs Lead to Severe Harms: Eliciting Unsafe Unintended Behaviors of Computer-Use Agents [90.05202259420138]
意図しないコンピュータ利用エージェントは、良質な入力コンテキストの下でも期待された結果から逸脱することができる。意図しないCUA行動に対する最初の概念的および方法論的枠組みを紹介する。本稿では,CUA実行フィードバックを用いた命令を反復的に摂動するエージェントフレームワークであるAutoElicitを提案する。
論文参考訳（メタデータ） (2026-02-09T03:20:11Z)
A Consensus-Bayesian Framework for Detecting Malicious Activity in Enterprise Directory Access Graphs [0.0]
本研究は,ディレクトリアクセスグラフにおける悪意のあるユーザ動作を検出するための,コンセンサスに基づくベイズフレームワークを提案する。マルチレベルインタラクショングラフ内で,ディレクトリをトピックとして,ユーザをエージェントとしてモデル化することにより,影響重み付けされた意見ダイナミクスを用いたアクセス進化をシミュレートする。
論文参考訳（メタデータ） (2026-02-03T21:33:22Z)
TraceRouter: Robust Safety for Large Foundation Models via Path-Level Intervention [44.64827167753535]
有害なセマンティクスは分散層間回路として機能し、局所的な介入が不安定で実用性に有害である。我々は,不特定意味論の因果伝播回路をトレースし,切断するパスレベルフレームワークである textbfTrace を提案する。トレースは最先端のベースラインを著しく上回り、敵の堅牢性と汎用性とのトレードオフが優れている。
論文参考訳（メタデータ） (2026-01-29T15:58:12Z)
An Adversarial Robust Behavior Sequence Anomaly Detection Approach Based on Critical Behavior Unit Learning [13.083056858680758]
逐次的ディープラーニングモデル(RNNやLSTMなど)は、APIやsyscallシーケンスなどのソフトウェア動作のシーケンス特性を学習することができる。近年の研究では、これらの深層学習に基づくアプローチは敵のサンプルに弱いことが示されている。本稿では, 動作単位の分析に基づく逆方向異常検出手法を提案し, この問題を克服する。
論文参考訳（メタデータ） (2025-09-19T08:37:11Z)
TraceRAG: A LLM-Based Framework for Explainable Android Malware Detection and Behavior Analysis [8.977634735108895]
本稿では,TraceRAGを紹介した。TraceRAGは,マルウェアの検出と解析を行うための検索拡張世代(RAG)フレームワークである。まず、TraceRAGは、ベクトルデータベースにインデックスされたメソッドレベルのコードスニペットの要約を生成する。クエリ時に、行動に焦点を当てた質問は、より深い検査のために最も意味のあるスニペットを検索する。最後に、マルチターン解析結果に基づいて、TraceRAGは、識別された悪意のある振る舞いとその対応するコード実装を示す人間可読レポートを生成する。
論文参考訳（メタデータ） (2025-09-10T06:07:12Z)
MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文参考訳（メタデータ） (2024-09-29T07:22:47Z)
Learning Explainable Representations of Malware Behavior [3.718942345103135]
我々は、ネットワークフローデータを理解可能なEmphnetworkイベントに処理するニューラルネットワークを開発する。次に,脅威の特徴的行動パターンを協調的に構成する事象を強調するために,エンフィグライズド・グラディエント法を用いる。本システムは,行動パターンに基づいて,njRATや他のマルウェアを検知する方法を実証する。
論文参考訳（メタデータ） (2021-06-23T11:50:57Z)
Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。