論文の概要: Trigger Value Selection in Clean-Label Malware Backdoors: An Effectiveness-Detectability Analysis

• arxiv url: http://arxiv.org/abs/2610.21269v1
• Date: Thu, 15 Oct 2026 05:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.198117
• Title: Trigger Value Selection in Clean-Label Malware Backdoors: An Effectiveness-Detectability Analysis
• Title（参考訳）: クリーンラベル型マルウェアバックドアにおけるトリガー値の選択:有効性-検出可能性分析
• Abstract要約: クリーンラベルバックドア攻撃における独立設計因子としてのトリガ値選択について検討した。 我々は、良性サンプリングの下で、希少値、SHAPベース、周波数バウンド、共起認識、および量子ベースのセレクタを比較した。
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clean-label backdoor poisoning is a threat to machine learning-based malware classifiers because poisoned samples can be inserted into training data without changing their labels. Previous explanation-guided attacks mainly focus on selecting important trigger features, but the values assigned to these features can also affect the attack behavior. In this paper, we study trigger value selection as an independent design factor in clean-label backdoor attacks against feature-based malware classifiers. We evaluate several value-selection strategies on EMBER 2018 and a Win64 PE subset of EMBER 2024 using LightGBM classifiers. We compare rare-value, SHAP-based, frequency-bounded, co-occurrence-aware, and quantile-based selectors under random and distribution-based malware-similar benign sampling. The results show that aggressive selectors such as MinPopulation and CountAbsSHAP can achieve high attack success rate, especially under distribution-based sampling, but they are also easier to detect by sanitization methods such as Isolation Forest. In contrast, selectors such as CorrCountAbsSHAP and Quantile95 can reduce poison recall while keeping useful attack effectiveness. These findings show that trigger value selection is not merely an implementation detail, but an important design choice that shapes the effectiveness and detectability profile of clean-label malware backdoor attacks.
• Abstract（参考訳）: クリーンラベルのバックドア中毒は、ラベルを変更することなく、有毒なサンプルをトレーニングデータに挿入できるため、機械学習ベースのマルウェア分類器にとって脅威となる。 これまでの説明誘導攻撃は主に重要なトリガー機能の選択に重点を置いていたが、これらの機能に割り当てられた値は攻撃行動にも影響を及ぼす可能性がある。 本稿では,特徴量に基づくマルウェア分類器に対するクリーンラベルバックドア攻撃において,独立設計因子としてのトリガ値選択について検討する。 We evaluate several value-selection strategy on EMBER 2018 and a Win64 PE subset of EMBER 2024 using LightGBM classificationifiers。 我々は、ランダムおよび分布に基づくマルウェア類似ベニグサンプリングにおいて、希少値、SHAPベース、周波数バウンド、共起認識、および量子ベースのセレクタを比較した。 その結果,MinPopulationやCountAbsSHAPなどの攻撃的セレクタは,特に分布型サンプリングにおいて高い攻撃成功率を達成できるが,分離林などの衛生方法により検出し易いことがわかった。 対照的に、CorrCountAbsSHAPやQuantile95のようなセレクターは、攻撃効果を維持しながら、毒のリコールを減らすことができる。 これらの結果は、トリガー値の選択は単に実装の詳細ではなく、クリーンラベルのマルウェアバックドア攻撃の有効性と検出可能性のプロファイルを形作る重要な設計選択であることを示している。

関連論文リスト

• RAMP: Reversing Adversarial Perturbations to Strengthen Clean-Label Backdoor Attacks against Malware Detectors [11.883271257160997]
  遺伝的アルゴリズムを用いてブラックボックスアクセスによる逆方向の摂動を最適化する攻撃強化手法であるRAMPを提案する。 RAMPはトリガーのみのベースラインに対する攻撃効果を大幅に改善し、特に低中毒率での利得は顕著である。
  論文  参考訳（メタデータ） (2026-09-23T06:38:05Z)
• Variance-Based Defense Against Blended Backdoor Attacks [0.0]
  バックドア攻撃は、AIモデルをターゲットにした微妙ながら効果的なサイバー攻撃のクラスである。 本稿では,与えられたデータセット上でモデルをトレーニングし,有毒なクラスを検出し,攻撃トリガの重要部分を抽出する新しい防御手法を提案する。
  論文  参考訳（メタデータ） (2025-06-02T09:01:35Z)
• Backdoor Attacks against No-Reference Image Quality Assessment Models via a Scalable Trigger [76.36315347198195]
  No-Reference Image Quality Assessment (NR-IQA) はコンピュータビジョンシステムの評価と最適化において重要な役割を果たしている。 近年の研究では、NR-IQAモデルが敵攻撃の影響を受けやすいことが示されている。 NR-IQA(BAIQA)に対する新規中毒性バックドアアタックを報告した。
  論文  参考訳（メタデータ） (2024-12-10T08:07:19Z)
• CBPF: Filtering Poisoned Data Based on Composite Backdoor Attack [11.815603563125654]
  本稿では, 汚染試料のろ過を調べた結果, バックドア攻撃のリスク軽減策について検討した。 CBPF (Composite Backdoor Poison Filtering) と呼ばれる新しい3段階毒素データフィルタリング手法が有効な解法として提案されている。
  論文  参考訳（メタデータ） (2024-06-23T14:37:24Z)
• Poisoning-based Backdoor Attacks for Arbitrary Target Label with Positive Triggers [8.15496105932744]
  中毒ベースのバックドア攻撃は、ディープニューラルネットワーク(DNN)トレーニングのデータ準備段階における脆弱性を露呈する。 我々は,敵対的手法にインスパイアされた新たなトリガーの分類を開発し,Positive Triggers (PPT) を用いたマルチラベル・マルチペイロード型バックドアアタックを開発した。 汚いラベル設定とクリーンラベル設定の両方において、提案した攻撃が様々なデータセットの精度を犠牲にすることなく高い攻撃成功率を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2024-05-09T06:45:11Z)
• Stealthy Backdoor Attack via Confidence-driven Sampling [49.72680157684523]
  バックドア攻撃は、悪質なトリガをDNNモデルに過剰に挿入することを目的としており、テストシナリオ中に不正な制御を許可している。 既存の方法では防衛戦略に対する堅牢性が欠如しており、主に無作為な試薬を無作為に選別しながら、引き金の盗難を強化することに重点を置いている。 信頼性スコアの低いサンプルを選別し、これらの攻撃を識別・対処する上で、守備側の課題を著しく増大させる。
  論文  参考訳（メタデータ） (2023-10-08T18:57:36Z)
• Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
  そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。 暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。 我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:45:24Z)
• Data-Efficient Backdoor Attacks [14.230326737098554]
  ディープニューラルネットワークはバックドア攻撃に弱い。 本稿では,その選択による毒性データ効率の向上について定式化する。 同じ攻撃成功率は、有毒サンプル量のわずか47%から75%で達成できる。
  論文  参考訳（メタデータ） (2022-04-22T09:52:22Z)

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。