論文の概要: A Structured State Space Sequence Model for Multi-Class Classification of Malware

• arxiv url: http://arxiv.org/abs/2610.01893v1
• Date: Thu, 01 Oct 2026 15:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.231798
• Title: A Structured State Space Sequence Model for Multi-Class Classification of Malware
• Title（参考訳）: マルチクラスのマルウェア分類のための構造化状態空間列モデル
• Abstract要約: Internet of Things(IoT)デバイスは2030年までに400億に達する見込みだ。 本研究は、マルウェアの検出と分類において、さらなる攻撃からデバイスを保護するための新しいアプローチを提案し、提案する。
• 参考スコア（独自算出の注目度）: 0.36748639131154315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By 2030, Internet of Things (IoT) devices are projected to reach 40 billion, with fast-paced technological advancements in fields such as industry, healthcare, agriculture, automobiles, and building/home automation systems. This expansion has created a large attack surface for cybercrime, as the majority of these devices open the door for cybercriminals to exploit vulnerabilities, as they lack adequate built-in security. Cybercriminals launch malware attacks to compromise systems or steal sensitive data, and once a system is compromised, a ransom is typically demanded for its release. Current cybersecurity measures in place are being outpaced by the rapid growth of the IoT, which is accompanied by a subsequent growth in malware variants being created per day. Recognizing this pitfall, this research examines and proposes a novel approach to malware detection and classification to safeguard devices from further attacks and make IoT systems more robust and secure. The framework proposed utilizes a Structured State Space Sequence (S4) model, which discretizes sequences of malware samples in a sequence and captures long-range dependencies, essentially identifying the "cause" and "effect" hidden within malware execution flow. This study presents two novel contributions: the first empirical application of the S4 model for malware analysis, and a comprehensive comparison of its performance against other deep learning architectures, laying the stepping stone for future research in this new paradigm.
• Abstract（参考訳）: 2030年までにIoT(Internet of Things)デバイスは400億に達する見込みで、産業、医療、農業、自動車、建築/住宅自動化システムといった分野での急速な技術進歩が期待されている。 この拡張は、サイバー犯罪に対する大きな攻撃面を生み出した。これらのデバイスの大部分は、サイバー犯罪者が脆弱性を悪用するための扉を開く。 サイバー犯罪者は、システムに侵入したり、機密データを盗んだりしてマルウェア攻撃を仕掛ける。 現在進行中のサイバーセキュリティ対策は、IoTの急速な成長と、それに伴う1日当たりのマルウェアの亜種の増加によって、さらに上回っている。 この落とし穴を認識して、この研究は、さらなる攻撃からデバイスを保護し、IoTシステムをより堅牢で安全なものにするための、マルウェア検出と分類のための新しいアプローチを提案し、提案する。 提案するフレームワークはStructured State Space Sequence (S4) モデルを用いており、これはマルウェアサンプルのシーケンスを識別し、長距離依存関係をキャプチャし、基本的にはマルウェアの実行フロー内に隠された「原因」と「影響」を識別する。 本研究は,マルウェア解析におけるS4モデルの最初の経験的応用と,その性能を他のディープラーニングアーキテクチャと総合的に比較し,今後の研究の足場を築き上げたものである。

関連論文リスト

• A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders [0.3425341633647625]
  本稿では,Autoencoder Feature Extractor (AFE) とModel Agnostic Meta Learning (MAML) の分類器を組み合わせたハイブリッドディープラーニングフレームワークを提案する。 提案するフレームワークは高い精度,F1スコア,マシューズ相関係数を常に達成し,極度の不足下でも信頼性の高い分類を維持している。
  論文  参考訳（メタデータ） (2026-10-01T16:11:35Z)
• Safety in Self-Evolving LLM Agent Systems: Threats, Amplification, and Case Studies [62.65225104423404]
  自己進化エージェントシステムは、敵の影響力が永久に符号化される、質的に新しい脅威の風景を導入します。 モジュール・ライフサイクル・アタック・サーフェス・マトリックスを中心に組織化されたセキュリティとプライバシの分析を行った。 その結果, 自己進化は, 既知のすべての攻撃カテゴリをセッションバウンドからラインパーシスタントに変換することがわかった。
  論文  参考訳（メタデータ） (2026-06-22T09:23:50Z)
• Uncovering Security Threats and Architecting Defenses in Autonomous Agents: A Case Study of OpenClaw [42.9467373594646]
  本報告では,OpenClawエコシステムの総合的なセキュリティ分析について述べる。 我々は、インジェクション駆動のRemote Code Execution(RCE)、シーケンシャルツールアタックチェーン、コンテキスト記憶、サプライチェーン汚染などの重要な脆弱性を強調した。 これらのシステム的アーキテクチャ欠陥に対処するために、フルライフサイクルエージェントセキュリティアーキテクチャ(FASA)を導入します。 この理論的な防御青写真は、ゼロトラストエージェント実行、動的意図検証、および層間推論-作用相関を提唱している。
  論文  参考訳（メタデータ） (2026-03-13T04:33:05Z)
• Anticipating Adversary Behavior in DevSecOps Scenarios through Large Language Models [2.2192966937452376]
  本研究は,セキュリティカオスエンジニアリング(SCE)手法をLLMベースの新しいフローに統合し,攻撃防御木の作成を自動化することを提案する。 これにより、アタッカーの一歩先を進み、これまで考えられていなかった防御を実装できるようになる。 実験に関する詳細な情報は、それを複製する手順とともに、以下のリポジトリにある。
  論文  参考訳（メタデータ） (2026-02-15T11:43:04Z)
• Engineering Attack Vectors and Detecting Anomalies in Additive Manufacturing [0.13999481573773068]
  筆者らはCrealityのフラッグシップモデルK1 MaxとEnder 3の2種類のFDMシステムに対するサイバー攻撃について検討した。 我々の脅威モデルはマルチレイヤーのMan-in-the-Middle(MitM)侵入であり、敵はユーザインターフェースからプリンタファームウェアへのアップロード中にGコードファイルをインターセプトし、操作する。 実版印刷時に発生する構造化機械ログを解析する非教師なし侵入検知システム(IDS)を提案する。
  論文  参考訳（メタデータ） (2026-01-01T16:27:52Z)
• Understanding crypter-as-a-service in a popular underground marketplace [51.328567400947435]
  Cryptersは、ターゲットバイナリを変換することで、アンチウイルス(AV)アプリケーションからの検出を回避できるソフトウェアの一部です。 シークレット・アズ・ア・サービスモデルは,検出機構の高度化に対応して人気を博している。 本論文は,シークレット・アズ・ア・サービスに特化したオンライン地下市場に関する最初の研究である。
  論文  参考訳（メタデータ） (2024-05-20T08:35:39Z)
• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• Malware Classification using Deep Neural Networks: Performance Evaluation and Applications in Edge Devices [0.0]
  複数のディープニューラルネットワーク(DNN)は、マルウェアのバイナリを検出し分類するように設計されている。 エッジデバイスにこれらのDNNモデルをデプロイして、特にリソース制約のあるシナリオにおいて、リアルタイムな分類を可能にすることは、大規模なIoTシステムにとって不可欠であることが証明されている。 本研究は,マルウェア検出技術の進歩に寄与し,マルウェアの早期検出にサイバーセキュリティ対策を統合することの重要性を強調した。
  論文  参考訳（メタデータ） (2023-08-21T16:34:46Z)
• 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)
• Malware Squid: A Novel IoT Malware Traffic Analysis Framework using Convolutional Neural Network and Binary Visualisation [2.309914459672557]
  ニューラルネットワークとバイナリビジュアライゼーションを用いた新しいIoTマルウェアトラフィック分析手法を提案する。 提案手法の最大の動機は、新しいマルウェア(ゼロデイマルウェア)を素早く検出し分類することである。
  論文  参考訳（メタデータ） (2021-09-08T00:21:45Z)

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。