論文の概要: Characterizing and Codifying Malware Sophistication

• arxiv url: http://arxiv.org/abs/2610.00098v1
• Date: Tue, 08 Sep 2026 16:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.36975
• Title: Characterizing and Codifying Malware Sophistication
• Title（参考訳）: マルウェアのソフィケーションの特徴付けと符号化
• Abstract要約: 「高度化」はマルウェアの記述に広く用いられているが、学術文献には一貫した定義が欠落している。 本稿では,静的バイナリ解析を用いたマルウェアの品質評価手法の体系化について述べる。
• 参考スコア（独自算出の注目度）: 0.7002143951776266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 'Sophisticated' is widely used to describe malware, yet it lacks a consistent definition within academic literature. While existing software quality and complexity metrics offer some insight into malware structure, they do not capture the broader adversarial and operational traits that contribute to real-world threat potential. This paper presents a systematization of existing approaches for assessing malware quality using static binary analysis. We define malware sophistication through a quality-focused lens by reinterpreting select characteristics from the ISO/IEC 25010 software quality standard, including reliability, maintainability, flexibility, and security, and evaluating their applicability to malware binaries. We identify which characteristics are both relevant to malware and measurable through static analysis, forming the basis for future frameworks that consistently assess malware sophistication when source code is unavailable or dynamic execution is infeasible.
• Abstract（参考訳）: 「高度化」はマルウェアの記述に広く用いられているが、学術文献には一貫した定義がない。 既存のソフトウェアの品質と複雑さのメトリクスは、マルウェアの構造に関するいくつかの洞察を提供するが、現実の脅威の可能性に寄与するより広い敵や運用上の特性を捉えない。 本稿では,静的バイナリ解析を用いたマルウェアの品質評価手法の体系化について述べる。 信頼性,保守性,柔軟性,セキュリティなど,ISO/IEC 25010のソフトウェア品質標準から選択された特性を再解釈し,マルウェアバイナリへの適用性を評価することにより,品質重視のレンズによるマルウェアの高度化を定義する。 静的解析により,ソースコードが利用できない場合や動的実行が不可能な場合,マルウェアの高度化を継続的に評価する将来のフレームワークの基礎を形成する。

関連論文リスト

• Performance analysis of Machine learning algorithms for predicting malware [0.0]
  マルウェアは、現代のコンピューティングシステムに永続的で進化的な脅威をもたらす。 従来のシグネチャベースのアンチウイルスソリューションは、新しく出現するマルウェアを特定するのに失敗することが多い。 本研究では,機械学習によるマルウェア検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-03T03:24:58Z)
• Exploring the connection between coding habits and cognitive styles in malware developers [5.123298347655087]
  本研究では,マルウェアソースコードに埋め込まれた行動シグネチャとコーディングパターンについて検討する。 認知心理学と犯罪学理論に基づいて、我々の研究は行動指標としてのコード構造と品質の違いを解釈する。
  論文  参考訳（メタデータ） (2026-06-04T09:46:25Z)
• Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
  本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。 テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
  論文  参考訳（メタデータ） (2025-08-12T17:19:20Z)
• Certifiably robust malware detectors by design [48.367676529300276]
  設計によるロバストなマルウェア検出のための新しいモデルアーキテクチャを提案する。 すべての堅牢な検出器を特定の構造に分解することができ、それを経験的に堅牢なマルウェア検出器の学習に適用できることを示す。 我々のフレームワークERDALTはこの構造に基づいている。
  論文  参考訳（メタデータ） (2025-08-10T09:19:29Z)
• Enhanced Consistency Bi-directional GAN(CBiGAN) for Malware Anomaly Detection [0.25163931116642785]
  本稿では,マルウェア異常検出分野におけるCBiGANの適用について紹介する。 我々は、ポータブル実行可能ファイル(PE)とObject Linking and Embedding(OLE)ファイルの両方を含む、いくつかのデータセットを利用する。 次に,214のマルウェアファミリーから自己コンパイルされた悪意のある実行ファイルを含む,PEおよびOLEファイルの多種多様なセットに対して,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2025-06-09T02:43:25Z)
• CoQuIR: A Comprehensive Benchmark for Code Quality-Aware Information Retrieval [44.39462689088926]
  CoQuIRは、品質を意識したコード検索を評価するために設計された、最初の大規模多言語ベンチマークである。 CoQuIRは、11のプログラミング言語で42,725のクエリと134,907のコードスニペットに対して、きめ細かい品質のアノテーションを提供する。
  論文  参考訳（メタデータ） (2025-05-31T13:00:17Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• Exploring Large Language Models for Semantic Analysis and Categorization of Android Malware [0.0]
  mspは、階層的な階層化チェーンと戦略的プロンプトエンジニアリングを通じて、Androidのマルウェア分析を強化するように設計されている。 mspは、関数、クラス、パッケージレベルで非常に堅牢な要約を提供しながら、最大77%の分類精度を達成することができる。
  論文  参考訳（メタデータ） (2025-01-08T21:22:45Z)
• The Impact of SBOM Generators on Vulnerability Assessment in Python: A Comparison and a Novel Approach [56.4040698609393]
  Software Bill of Materials (SBOM) は、ソフトウェア構成における透明性と妥当性を高めるツールとして推奨されている。 現在のSBOM生成ツールは、コンポーネントや依存関係を識別する際の不正確さに悩まされることが多い。 提案するPIP-sbomは,その欠点に対処する新しいピップインスパイアされたソリューションである。
  論文  参考訳（メタデータ） (2024-09-10T10:12:37Z)
• Discovering Malicious Signatures in Software from Structural Interactions [7.06449725392051]
  本稿では,ディープラーニング,数学的手法,ネットワーク科学を活用する新しいマルウェア検出手法を提案する。 提案手法は静的および動的解析に焦点をあて,LLVM(Lower-Level Virtual Machine)を用いて複雑なネットワーク内のアプリケーションをプロファイリングする。 弊社のアプローチは、マルウェアの検出を大幅に改善し、より正確で効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-12-19T23:42:20Z)
• A survey on hardware-based malware detection approaches [45.24207460381396]
  ハードウェアベースのマルウェア検出アプローチは、ハードウェアパフォーマンスカウンタと機械学習技術を活用する。 このアプローチを慎重に分析し、最も一般的な方法、アルゴリズム、ツール、および輪郭を形成するデータセットを解明します。 この議論は、協調的有効性のための混合ハードウェアとソフトウェアアプローチの構築、ハードウェア監視ユニットの不可欠な拡張、ハードウェアイベントとマルウェアアプリケーションの間の相関関係の理解を深めている。
  論文  参考訳（メタデータ） (2023-03-22T13:00:41Z)

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。