論文の概要: Bytes to Threats: Byte-Sequence Transformer For Malware Detection

• arxiv url: http://arxiv.org/abs/2610.18787v1
• Date: Tue, 13 Oct 2026 17:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.694902
• Title: Bytes to Threats: Byte-Sequence Transformer For Malware Detection
• Title（参考訳）: Bytes to Threats: マルウェア検出のためのByte-Sequence Transformer
• Abstract要約: 本稿では,変圧器をベースとしたバイトレベルのマルウェア検出フレームワークであるMalwareFormerを提案する。 ドメイン知識や機能抽出を必要とせずに、生のバイトを直接操作する。 精度は98.35%、バランスの取れた精度は98.32%、マクロF1は98.32%、偽陽性率は1.94%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing malware detection approaches heavily rely on handcrafted features derived from static or dynamic analysis of the executable files. These methods require specialized domain expertise, dedicated analysis tools, and time-consuming analysis, which limits their scalability and robustness in the face of the increasing complexity and diversity of modern malware. Consequently, there is a growing interest in approaches that operate directly on raw bytes, which contain rich semantic and structural information. However, capturing long-range dependencies within executable files remains challenging for conventional static and CNN-based methods. This paper presents MalwareFormer, a transformer-based, byte-level malware detection framework that operates directly on raw bytes, without requiring domain knowledge or feature extraction. MalwareFormer achieves an accuracy of 98.35%, a balanced accuracy of 98.32%, a macro-F1 of 98.32%, and a false positive rate of 1.94%, outperforming both baselines across all threshold-dependent classification metrics and demonstrating that transformers provide a powerful and scalable approach for byte-level malware detection.
• Abstract（参考訳）: 既存のマルウェア検出アプローチは、実行ファイルの静的または動的解析に由来する手作りの機能に大きく依存している。 これらの手法には、専門分野の専門知識、専門的な分析ツール、時間を要する分析が必要であり、現代のマルウェアの複雑さと多様性の増大に直面して、スケーラビリティと堅牢性を制限している。 結果として、リッチな意味情報や構造情報を含む生のバイトを直接操作するアプローチへの関心が高まっている。 しかし、従来の静的およびCNNベースの手法では、実行ファイル内での長距離依存関係のキャプチャは困難である。 本稿では、ドメイン知識や特徴抽出を必要とせず、生のバイトを直接操作するトランスフォーマーベースのバイトレベルのマルウェア検出フレームワークであるMalwareFormerを提案する。 MalwareFormerは98.35%の精度、バランスの取れた精度98.32%、マクロF1の98.32%、偽陽性率1.94%を達成し、すべてのしきい値依存の分類指標で両方の基準線を上回り、トランスフォーマーがバイトレベルのマルウェア検出に強力でスケーラブルなアプローチを提供することを示した。

関連論文リスト

• Characterizing and Codifying Malware Sophistication [0.7002143951776266]
  「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。
  論文  参考訳（メタデータ） (2026-09-08T16:26:37Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• 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)
• 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)
• 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 Analysis with Artificial Intelligence and a Particular Attention on Results Interpretability [0.0]
  本稿では,バイナリファイルからグレースケール画像への変換に基づくモデルを提案する。 サンプルが充填されているか、85%の精度で暗号化されているかを決定することができる。 この種のツールは、一般的な検出モデルの解釈可能性の欠如を補うデータアナリストにとって非常に有用であるべきです。
  論文  参考訳（メタデータ） (2021-07-23T09:40:05Z)
• 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。