論文の概要: Q-MALDetect: Quantum Image-Based Malware Detection and Adversarial Robustness Analysis

• arxiv url: http://arxiv.org/abs/2610.26240v1
• Date: Mon, 19 Oct 2026 12:01:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 18:49:50.291071
• Title: Q-MALDetect: Quantum Image-Based Malware Detection and Adversarial Robustness Analysis
• Title（参考訳）: Q-MALDetect:量子画像に基づくマルウェア検出と対向ロバスト性解析
• Abstract要約: セキュリティアプリケーションでは量子機械学習(QML)モデルがますます検討されている。 本稿では,x86-64のバイト画像表現のためのハイブリッド畳み込みおよび変分量子検出器であるQ-MALDetectについて述べる。 機能空間とGrad-CAM誘導型実行可能回避攻撃の範囲で評価する。
• 参考スコア（独自算出の注目度）: 2.1702673021505245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine-learning (QML) models are increasingly considered for security applications, yet their adversarial robustness in malware analysis remains insufficiently understood. This paper presents Q-MALDetect, a hybrid convolutional and variational-quantum detector for byte-image representations of x86-64 Executable and Linkable Format (ELF) binaries, and evaluates it under feature-space and a range of Grad-CAM-guided, executable-aware evasion attacks. The model achieves 97.2% training accuracy, but its robustness deteriorates as attack strength increases, with the strongest evaluated feature-space attack reaching a 78.7% attack success rate (ASR). Among executable-aware attacks, Grad-CAM-guided no-operation (NOP) insertion produces the highest conditional ASR of 32.9%. Dynamic adversarial training is the most effective evaluated defense, reducing feature-space ASR to as low as 5.0%, executable-aware ASR to 7.7%, and the sequential-attack ASR to 34.0%. In contrast, convolutional-autoencoder preprocessing increases executable-aware ASR to 39.7%, coinciding with a rise in Grad-CAM attribution mass within the mutable .text region from 35.2% to 45.7%. Ablation results reveal no monotonic relationship between qubit count and robustness, while the encoding interface modifies the learned attack surface without neutralizing the strongest attack. These findings demonstrate that the effectiveness of attacks and defenses depends strongly on the perturbation constraints and evaluation conditions. Reliable deployment of QML malware detectors therefore requires assessment against both feature-space and executable-aware attacks rather than reliance on clean accuracy or generic denoising alone.
• Abstract（参考訳）: セキュリティアプリケーションでは量子機械学習(QML)モデルがますます検討されているが、マルウェア分析におけるその逆の堅牢性は十分に理解されていない。 本稿では,x86-64のバイト画像表現のためのハイブリッド畳み込みおよび変分量子検出器であるQ-MALDetectについて述べる。 このモデルは訓練精度97.2%に達するが、攻撃強度が増加するにつれて頑健性は悪化し、最も高い評価を受けた特徴空間攻撃は78.7%の攻撃成功率(ASR)に達した。 実行可能アタックの中でも、Grad-CAM-guided no-operation (NOP)挿入は32.9%の条件付きASRを生成する。 動的対人訓練は最も効果的に評価され、特徴空間 ASR は5.0%、実行可能アウェア ASR は7.7%、シーケンシャルアタック ASR は34.0% まで減少する。 対照的に、畳み込みオートコーダのプリプロセッシングは実行可能アウェアのASRを39.7%に増加させ、これはミュータブルな.CAM内のGrad-CAM属性の質量の増加と一致する。 35.2%から45.7%まで アブレーションの結果, 量子ビット数とロバスト性の間にはモノトニックな関係は見られず, 符号化インタフェースは最強攻撃を中和することなく, 学習した攻撃面を変化させる。 これらの結果から,攻撃・防御の有効性は摂動制約と評価条件に強く依存していることが示唆された。 したがって、QMLマルウェア検出装置の信頼性の高い展開には、クリーンな正確さや一般的な妄想に頼らず、特徴空間と実行可能アタックの両方に対する評価が必要である。

関連論文リスト

• REPLICANT: Learning Policies for Evading and Hardening Malware Detectors [48.41350618293826]
  Replicantは、厳格なラベルのみのブラックボックス脅威モデルの下で、回避の現実的なタスクを学ぶ、深い強化学習フレームワークである。 Replicantは,平均攻撃成功率78.8%を達成する上で,最も強力かつクエリ効率のよいアプローチであることを示す。 敵の訓練に使用する場合、Replicantはより一般化可能な検出器で検出器を生成することにより、最先端の技術を上回ります。
  論文  参考訳（メタデータ） (2026-08-28T16:29:17Z)
• On Improving Robustness of Deepfake Image Detectors [5.7418146925786795]
  3つの相補的な設計原則を統合する統一的なフレームワークを提案する。 敵攻撃は主に低次統計と視覚的意味論に基づいて行われる。 提案手法は, アーキテクチャ的に多様である6つの検出器間のロバスト性を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-01T19:03:32Z)
• SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration [0.0]
  この作業では、AI駆動の三層検出フレームワークであるSecureScanが紹介されている。 VirusTotal APIを通じて、ロジスティック回帰に基づく分類、分析、外部脅威インテリジェンスを統合する。 ベンチマークデータセットでは、SecureScanは93.1%の精度でバランスの取れた精度を実現している。
  論文  参考訳（メタデータ） (2026-02-11T11:26:11Z)
• ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
  本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
  論文  参考訳（メタデータ） (2026-01-15T08:23:38Z)
• Replicating TEMPEST at Scale: Multi-Turn Adversarial Attacks Against Trillion-Parameter Frontier Models [0.0]
  本研究では、TEMPESTマルチターン攻撃フレームワークを用いて、1000の有害な振る舞いに対して8つのベンダーから10のフロンティアモデルを評価する。 6つのモデルが96%から100%の攻撃成功率(ASR)を達成し、4つのモデルが有意な抵抗を示し、ASRは42%から78%であった。
  論文  参考訳（メタデータ） (2025-12-08T00:30:40Z)
• Evaluating the Robustness of Adversarial Defenses in Malware Detection Systems [2.209921757303168]
  本研究では, 連続摂動を二元的特徴空間に変換し, 高い攻撃成功と低摂動サイズを保ちながら, 連続摂動を2元的特徴空間に変換する手法を提案する。 第2に、最小限の機能変化で攻撃目標を達成するために設計された、バイナリドメインに対する新しい逆法を提案する。 Malscanデータセットの実験によると、Sigma-binaryは既存の攻撃より優れており、最先端の防御において重要な脆弱性を露呈している。
  論文  参考訳（メタデータ） (2025-05-14T12:38:43Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• Certified Robustness Against Natural Language Attacks by Causal Intervention [61.62348826831147]
  Causal Intervention by Semantic Smoothing (CISS)は、自然言語攻撃に対する堅牢性に向けた新しい枠組みである。 CISSは単語置換攻撃に対して確実に堅牢であり、未知の攻撃アルゴリズムによって摂動が強化されたとしても経験的に堅牢である。
  論文  参考訳（メタデータ） (2022-05-24T19:20:48Z)

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。