論文の概要: Phantomware: a Data Augmentation Framework for the Detection of Emerging Malware Campaigns

• arxiv url: http://arxiv.org/abs/2610.20427v1
• Date: Wed, 14 Oct 2026 16:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.249412
• Title: Phantomware: a Data Augmentation Framework for the Detection of Emerging Malware Campaigns
• Title（参考訳）: Phantomware: 新たなマルウェアキャンペーンを検出するためのデータ拡張フレームワーク
• Abstract要約: Phantomwareは極端なデータ不足のシナリオ用に設計されたフレームワークである。 ターゲットファミリーの合成マルウェア表現を制御された方法で生成する。 目に見えない変種の検出を改善し、実際のおよび反対に生成されたマルウェアサンプルに対して堅牢性を提供する。
• 参考スコア（独自算出の注目度）: 0.45687771576879593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting unseen malware variants remains a major challenge as malware families continuously evolve. This issue is exacerbated in data-scarce scenarios such as emerging malware campaigns, where only a few samples are available to train robust detectors. A common strategy is to proactively generate malware variants and use them as augmentation data to expose models to a broader range of potential threats. Existing approaches that generate functional malware variants through adversarial manipulation suffer from several important limitations. Generated samples must remain executable and preserve their malicious behavior, requiring costly validation through execution and analysis. Moreover, the adversarial objective provides limited control over the resulting augmentation dataset: it cannot guarantee the generation of sufficiently diverse variants, or even a single successful sample, making the effectiveness of the augmentation process inherently unpredictable. Finally, these approaches typically rely on a well-trained detector to guide generation, an assumption that may not hold in data-scarce scenarios such as early-stage malware campaigns. We formally and empirically demonstrate these limitations and propose Phantomware, a data augmentation framework designed for extreme data scarce scenarios. Phantomware operates entirely in the representation space of a pretrained malware detector, avoiding the costly generation and validation of functional binaries. By exploiting latent-space geometry, it generates synthetic malware representations of a target family in a controlled manner, providing a constructive guarantee on the generation of diverse training samples. Extensive experiments on real malware families demonstrate that Phantomware improves detection of unseen variants and provides robustness against both real and adversarially generated malware samples.
• Abstract（参考訳）: マルウェアファミリーが継続的な進化を続ける中、目に見えないマルウェアの変種を検出することは大きな課題である。 この問題は、ロバスト検出器のトレーニングに使用可能なサンプルがほんのわずかしかない、新興のマルウェアキャンペーンのような、データ障害のシナリオで悪化している。 一般的な戦略は、マルウェアの変種を積極的に生成し、それを拡張データとして使用して、より広範な潜在的な脅威にモデルを公開することである。 敵の操作によって機能的なマルウェアを発生させる既存のアプローチは、いくつかの重要な制限に悩まされている。 生成されたサンプルは実行可能のままで、悪意のある振る舞いを保ち、実行と分析によるコストのかかる検証を必要とします。 さらに、敵の目的は、結果として得られる増補データセットに対する限定的な制御を提供し、十分に多様な変種、あるいは単一の成功例の生成を保証できないため、増補プロセスの有効性は本質的に予測不可能である。 最後に、これらのアプローチは典型的には、早期のマルウェアキャンペーンのようなデータスカースシナリオに当てはまらない仮定である生成を導くために、よく訓練された検出器に依存している。 我々はこれらの制限を正式に実証し、極端なデータ不足のシナリオ用に設計されたデータ拡張フレームワークPhantomwareを提案する。 Phantomwareは、事前訓練されたマルウェア検知器の表現空間で完全に動作し、機能バイナリの生成と検証のコストを回避する。 遅延空間幾何を利用して、ターゲットファミリーの合成マルウェア表現を制御的に生成し、多様なトレーニングサンプルの生成に対する建設的保証を提供する。 実際のマルウェアファミリーに対する大規模な実験は、Phantomwareが目に見えない変種の検出を改善し、実際のマルウェアサンプルと敵対的なマルウェアサンプルの両方に対して堅牢性を提供することを示した。

関連論文リスト

• 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)
• Generative AI-Based Effective Malware Detection for Embedded Computing Systems [4.005387996499278]
  そこで本研究では,限定的なマルウェアの複数の変異サンプルを生成するコード認識データ生成手法を提案する。 損失最小化は、生成したサンプルが限られたマルウェアを忠実に模倣し、非現実的なサンプルを緩和することを保証する。 提案手法は,最先端技術により得られた精度の約3倍のマルウェアを検知し,90%の精度で検出する。
  論文  参考訳（メタデータ） (2024-04-02T22:37:34Z)
• Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
  業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。 学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。 利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
  論文  参考訳（メタデータ） (2023-12-25T21:25:55Z)
• 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)
• Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors [49.34155921877441]
  マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。 次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。 我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
  論文  参考訳（メタデータ） (2021-11-19T08:02:38Z)
• 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)
• 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)
• MDEA: Malware Detection with Evolutionary Adversarial Learning [16.8615211682877]
  MDEA(Adversarial Malware Detection)モデルであるMDEAは、進化的最適化を使用して攻撃サンプルを作成し、ネットワークを回避攻撃に対して堅牢にする。 進化したマルウェアサンプルでモデルを再トレーニングすることで、その性能は大幅に改善される。
  論文  参考訳（メタデータ） (2020-02-09T09:59:56Z)

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。