論文の概要: Signature Knowledge Shielding: Protecting Antivirus Detection Knowledge through Robust Embedding Matching

• arxiv url: http://arxiv.org/abs/2610.26207v1
• Date: Mon, 19 Oct 2026 11:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 19:05:02.173534
• Title: Signature Knowledge Shielding: Protecting Antivirus Detection Knowledge through Robust Embedding Matching
• Title（参考訳）: 署名的知識シールド:ロバストな埋め込みマッチングによるアンチウイルス検出知識の保護
• Abstract要約: 既存のアンチウイルス(AV)シグネチャを保護するために,シグナチャ知識シールド(SKS)を提案する。 SKSは、AVが監督する重要度ランキングを使用して、候補バイトブロックを発見し、フィルタし、負サンプルキャリブレーションによってそれらを選択する。 我々はCramAVベースのプロトタイプを開発し、オープンソースにし、5つの探索手法に対して評価する。
• 参考スコア（独自算出の注目度）: 8.984406958712215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antivirus (AV) signatures encode valuable detection knowledge accumulated through expert analysis, yet repeated black-box queries can expose this knowledge for unauthorized reuse and targeted evasion. We propose Signature Knowledge Shielding (SKS), a design paradigm that protects existing AV rules, termed Protected Signatures (PS), through auxiliary Shielding Signatures (SS). SKS uses AV-supervised importance ranking to discover candidate byte blocks, filters and selects them through negative-sample calibration, and combines SS matches with original AV verdicts through logical OR. SS matching introduces additional positive responses and verdict changes during probing, making detection feedback less directly attributable to PS and increasing the difficulty of localizing signature-related content, while preserving original positive verdicts. Within SKS, we integrate five individually tuned non-learning matching methods and further propose Robust Embedding Matching (REM), a lightweight learned matcher trained with random context and byte perturbations. REM provides stronger and more consistent protection against content modifications and scanning-alignment changes. We develop and open-source a ClamAV-based prototype and evaluate it against five probing methods. With an observed additional test false-positive rate below 0.1%, REM raises the mean query count of state-of-the-art probing to as much as 282.57 times the unprotected baseline, while introducing only 0.67% GPU scanning overhead. These results demonstrate that SKS can substantially increase signature-extraction costs with limited impact on detection utility and scanning efficiency.
• Abstract（参考訳）: 専門家分析によって蓄積された貴重な検出知識をコードするアンチウイルス(AV)シグネチャは、繰り返し行われるブラックボックスクエリは、この知識を無許可の再利用とターゲットの回避のために公開することができる。 本稿では,既存のAVルールを保護する設計パラダイムであるSKS(Signature Knowledge Shielding)を提案する。 SKSは、AVが監督する重要度ランキングを用いて候補バイトブロックを発見し、負サンプルキャリブレーションによりフィルタし、それらを選択し、論理ORを通してSSマッチと元のAV判定を結合する。 SSマッチングは、探索中に追加の肯定応答と検証結果の変更を導入し、検出フィードバックがPSに直接帰属しにくくなり、元の肯定的判断を保ちながら、署名関連コンテンツのローカライズが困難になる。 SKS内では、個別に調整された5つの非学習マッチング手法を統合し、ランダムなコンテキストとバイト摂動で訓練された軽量な学習マッチングであるRobust Embedding Matching (REM)を提案する。 REMは、コンテンツ修正やスキャン・アライメントの変更に対して、より強く一貫性のある保護を提供する。 我々はCramAVベースのプロトタイプを開発し、オープンソースにし、5つの探索手法に対して評価する。 検出されたテストの偽陽性率が0.1%を下回ると、REMは最先端のサーベイの平均クエリ数を、保護されていないベースラインの最大282.57倍に引き上げる一方で、GPUスキャンオーバーヘッドはわずか0.67%である。 これらの結果から,SKSは検出ユーティリティと走査効率に限られた影響を与えることなく,署名抽出コストを大幅に増大させることができることが示された。

関連論文リスト

• When Guidance Becomes a Guard: Early Interception of Unsafe Inputs in Text-to-Image Generation [11.53209615592201]
  我々は、ネイティブ生成信号が安全でない入力や逆入力を早期に検出できるかどうか検討する。 本研究では,条件応答と非条件応答のアクティベーションコントラストを集約するCSTI(Conditional Semantic Trajectory Interception)を提案する。 CSTIは6つのベースラインの中で5%のFPRで最強の総合的なパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-10-19T14:09:22Z)
• Auditable Machine Unlearning for Privacy-Compliant Ransomware Detection Using Multi-Shard SISA and Deep Reinforcement Learning [1.8024397171920885]
  マルチシャードSISA再学習と深層強化学習を統合した,監査可能なランサムウェア検出およびアンラーニングフレームワークを提案する。 提案システムでは,非対称なセキュリティコスト下での行動特徴から報酬誘導検出ポリシーを学習する。 シングルシャード・アンラーニングは最小限のユーティリティ劣化と低いオラクルの不一致を維持しているのに対し、適度なシャードカウントは最良の効率と性能のトレードオフをもたらすことを示す。
  論文  参考訳（メタデータ） (2026-07-07T23:23:52Z)
• Towards Certified Malware Detection: Provable Guarantees Against Evasion Attacks [2.1089036160341688]
  本稿では,特徴アブレーションとターゲットノイズ注入によるランダムな平滑化に基づく,確実な堅牢なマルウェア検出フレームワークを提案する。 特徴空間摂動に対する特定の半径内での堅牢性を保証する正式な証明書を導出する。
  論文  参考訳（メタデータ） (2026-04-22T12:26:46Z)
• A Granular Study of Safety Pretraining under Model Abliteration [64.24346997570275]
  本稿では,リフレクションに敏感な方向を除去する軽量プロジェクション技術であるモデルアブリーブレーションについて検討する。 我々は、バランスのとれた有害かつ無害なケースで100のプロンプトを発行し、複数の判断を用いて**Refusal*または***Non-Refusal*として応答を分類し、判断の忠実さを検証する。 本研究は,データ中心の安全コンポーネントが失語中も頑健であるチェックポイントレベルの特徴付けを行う。
  論文  参考訳（メタデータ） (2025-10-03T07:01:45Z)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• Toward Improving Synthetic Audio Spoofing Detection Robustness via Meta-Learning and Disentangled Training With Adversarial Examples [33.445126880876415]
  自動話者検証システムに到達させる代わりに、スプーフ攻撃をフィルタリングする信頼性と堅牢なスプーフ検出システムを提案する。 データ不均衡問題に対処するために重み付き加法的角縁損失が提案され、スプーフィング攻撃に対する一般化を改善するために異なるマージンが割り当てられている。 データ拡張戦略として、スプーフィング音声に知覚不能な摂動を加えて、敵の例にのみ対応する正規化統計が実行されることを保証するために、補助的なバッチ正規化を用いる。
  論文  参考訳（メタデータ） (2024-08-23T19:26:54Z)
• AstMatch: Adversarial Self-training Consistency Framework for Semi-Supervised Medical Image Segmentation [19.80612796391153]
  半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて有意な可能性を示唆している。 本研究では,対戦型自己学習一貫性フレームワーク(AstMatch)を提案する。 提案されたAstMatchは、3つの公開データセット上の最先端SSLメソッドで広く評価されている。
  論文  参考訳（メタデータ） (2024-06-28T04:38:12Z)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning [95.60856995067083]
  この研究は、特定の攻撃アルゴリズムを知らずにASVの敵防衛を行う最初の試みの一つである。 本研究の目的は,1) 対向摂動浄化と2) 対向摂動検出の2つの視点から対向防御を行うことである。 実験の結果, 検出モジュールは, 約80%の精度で対向検体を検出することにより, ASVを効果的に遮蔽することがわかった。
  論文  参考訳（メタデータ） (2021-06-01T07:10:54Z)

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。