論文の概要: ORCAGen: Orchestrating Context-Aware Malware Deception with RAG-Guided Generative AI

• arxiv url: http://arxiv.org/abs/2610.12415v1
• Date: Thu, 08 Oct 2026 17:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.239248
• Title: ORCAGen: Orchestrating Context-Aware Malware Deception with RAG-Guided Generative AI
• Title（参考訳）: ORCAGen: RAG-Guided Generative AIによるコンテキスト認識型マルウェア認識のオーケストレーション
• Abstract要約: ORCAGenは、マルウェア固有の偽装プレイブックをオフラインで構築し、デプロイ前に検証し、実行時に検証されたロジックのみを実行する。 GPT-4o, GPT-5.5, Gemini 3.5 Flash, Qwen3-Coder, Claude Sonnet 4.5 にまたがるORCAGenを, 実行成功, 改善努力, 偽装の有効性, 実行時のオーバーヘッドを用いて評価した。
• 参考スコア（独自算出の注目度）: 5.391845023232444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malware defenses often remove or isolate suspicious programs as quickly as possible. While effective for containment, this approach can also waste an opportunity to observe attacker behavior and deploy targeted countermeasures. ORCAGen takes a different approach: it uses GenAI to build malware-specific deception playbooks offline, validates them before deployment, and enforces only the verified logic at runtime. ORCAGen combines Retrieval-Augmented Generation (RAG) with structured prompt engineering to generate both proof-of-concept (PoC) malware and corresponding deception orchestration code. A curated knowledge base (KB) of malware procedures and active defense strategies grounds the generation process, helping the LLM produce threat-specific and executable deception logic rather than generic or hallucinated outputs. The generated PoC malware provides a safe and reproducible way to test whether a deception strategy can disrupt, redirect, or suppress targeted malware behavior before the strategy is added to the runtime playbook. We evaluate ORCAGen across GPT-4o, GPT-5.5, Gemini 3.5 Flash, Qwen3-Coder, and Claude Sonnet 4.5 using execution success, hallucination rate, refinement effort, deception effectiveness, and runtime overhead. The evaluation covers synthesized malware scenarios and 150 real-world malware samples across keyloggers, information stealers, and ransomware. Across the evaluated scenarios, GPT-5.5 required the fewest refinements and produced no observed hallucinated APIs, while Gemini 3.5 Flash achieved the lowest response time and runtime overhead. The results show that RAG-guided structured prompting can support the scalable construction of malware-specific deception playbooks that remain lightweight and deterministic during runtime enforcement.
• Abstract（参考訳）: マルウェアの防御は、疑わしいプログラムをできるだけ早く取り除いたり、隔離したりすることも多い。 封じ込めには有効だが、このアプローチは攻撃者の行動を観察し、標的とする対策を展開する機会を無駄にする可能性がある。 ORCAGenは別のアプローチをとっている。GenAIを使用して、マルウェア固有の偽装プレイブックをオフラインで構築し、デプロイ前に検証し、実行時に検証されたロジックのみを強制する。 ORCAGenは、Retrieval-Augmented Generation (RAG)と構造化プロンプトエンジニアリングを組み合わせて、概念実証(PoC)マルウェアとそれに対応する偽装オーケストレーションコードを生成する。 マルウェアのプロシージャとアクティブディフェンス戦略のキュレートされた知識ベース(KB)が生成プロセスの基礎となり、LLMはジェネリックまたは幻覚出力ではなく、脅威固有かつ実行可能な偽装ロジックを生成するのに役立っている。 生成されたPoCマルウェアは、戦略が実行時プレイブックに追加される前に、偽造戦略が標的となるマルウェアの動作を妨害、リダイレクト、または抑制できるかどうかを安全かつ再現可能な手段を提供する。 GPT-4o, GPT-5.5, Gemini 3.5 Flash, Qwen3-Coder, Claude Sonnet 4.5 のORCAGenを,実行成功, 幻覚率, 改善努力, 偽装効果, 実行時のオーバーヘッドを用いて評価した。 この評価では、キーブロガー、インフォメーションステッカー、ランサムウェアにまたがる、合成されたマルウェアシナリオと150の現実世界のマルウェアサンプルがカバーされている。 評価されたシナリオ全体にわたって、GPT-5.5は最小限の改良を必要とし、観察された幻覚APIを生成せず、Gemini 3.5 Flashは応答時間と実行時のオーバーヘッドを最小に達成した。 その結果、RAG誘導型構造化プロンプトは、実行中も軽量で決定論的であるマルウェア固有の偽装プレイブックのスケーラブルな構築を支援することができた。

関連論文リスト

• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• Cuckoo Attack: Stealthy and Persistent Attacks Against AI-IDE [64.47951172662745]
  Cuckoo Attackは、悪意のあるペイロードを構成ファイルに埋め込むことで、ステルス性と永続的なコマンド実行を実現する新しい攻撃である。 攻撃パラダイムを初期感染と持続性という2つの段階に分類する。 当社は、ベンダーが製品のセキュリティを評価するために、実行可能な7つのチェックポイントを提供しています。
  論文  参考訳（メタデータ） (2025-09-19T04:10:52Z)
• Ransomware 3.0: Self-Composing and LLM-Orchestrated [16.391742476325323]
  ランサムウェア攻撃ライフサイクルを自律的に計画し、適応し、実行するために、大規模言語モデル(LLM)を利用する新たな脅威を導入する。 Ransomware 3.0 は LLM によるランサムウェアの最初の脅威モデルと研究プロトタイプである。 オープンソース LLM は機能的ランサムウェアコンポーネントを生成し,様々な環境におけるクローズドループ実行を維持可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-28T05:46:03Z)
• MGC: A Compiler Framework Exploiting Compositional Blindness in Aligned LLMs for Malware Generation [22.29476520010842]
  大規模言語モデル(LLM)はソフトウェア開発を民主化し、複雑なアプリケーションをプログラミングする際の専門知識の障壁を減らした。 このアクセシビリティは、悪意のあるソフトウェア開発にまで拡張され、重大なセキュリティ上の懸念がもたらされる。 本稿では,モジュール分解とアライメント回避生成を通じて,この脆弱性を活用する新しいフレームワークであるMalware Generation Compiler(MGC)を紹介する。
  論文  参考訳（メタデータ） (2025-07-02T18:00:49Z)
• 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)
• Single-Shot Black-Box Adversarial Attacks Against Malware Detectors: A Causal Language Model Approach [5.2424255020469595]
  Adversarial Malware example Generationは、回避可能なマルウェアの変種を生成することを目的としている。 ブラックボックス法はホワイトボックス法よりも注目されている。 本研究では,新しいDLに基づく因果言語モデルにより,単発回避が可能となることを示す。
  論文  参考訳（メタデータ） (2021-12-03T05:29:50Z)
• EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection [2.2811510666857546]
  EvadeDroidは、現実のシナリオでブラックボックスのAndroidマルウェア検出を効果的に回避するために設計された、問題空間の敵攻撃である。 EvadeDroidは, DREBIN, Sec-SVM, ADE-MA, MaMaDroid, Opcode-SVMに対して, 1-9クエリで80%-95%の回避率を達成した。
  論文  参考訳（メタデータ） (2021-10-07T09:39:40Z)
• Binary Black-box Evasion Attacks Against Deep Learning-based Static Malware Detectors with Adversarial Byte-Level Language Model [11.701290164823142]
  MalRNNは、制限なく回避可能なマルウェアバリアントを自動的に生成する新しいアプローチです。 MalRNNは、3つの最近のディープラーニングベースのマルウェア検出器を効果的に回避し、現在のベンチマークメソッドを上回ります。
  論文  参考訳（メタデータ） (2020-12-14T22:54:53Z)
• 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)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)

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。