論文の概要: What Malware Actually Does: An Empirical Analysis of Post-Infection Behavior Across Malware Families
- arxiv url: http://arxiv.org/abs/2611.03774v1
- Date: Mon, 02 Nov 2026 18:33:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 11:06:40.94918
- Title: What Malware Actually Does: An Empirical Analysis of Post-Infection Behavior Across Malware Families
- Title(参考訳): マルウェアが実際に行うこと:マルウェアの家族間での感染後の行動の実証分析
- Abstract要約: 本稿では,CAPEv2を用いて37家系にわたる感染後マルウェアの挙動を実証分析した。
グラフ由来の構造的特徴に基づいて訓練された投票アンサンブルは94.44%の精度と0.863のMCCを達成し、MCCの7.4ポイントの平坦な行動ベースラインを上回っている。
説明層は、観察された行動証拠に基づいて、MITRE ATT&CKマッピングでアナリスト可読レポートを生成する。
- 参考スコア(独自算出の注目度): 0.4014524824655106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most malware detection research focuses on identifying whether a file is malicious before it executes. Far less attention goes to what happens after infection. This paper presents an empirical analysis of post-infection malware behavior across 37 families, grounded in dynamic sandbox execution using CAPEv2. Behavioral traces are modeled as heterogeneous graphs with five node types and seven typed edge relationships, preserving relational structure that flat feature vectors discard. A voting ensemble trained on graph-derived structural features achieves 94.44% accuracy and MCC of 0.863, outperforming a flat behavioral baseline by 7.4 percentage points in MCC. A multiclass classifier distinguishes 24 malware families, and a per-family behavioral fingerprint analysis characterizes post-infection activity across registry, network, process, and API dimensions. An LLM explanation layer generates analyst-readable reports with MITRE ATT&CK mappings grounded in observed behavioral evidence. The full pipeline is deployed as HeteroScan at https://ama-andam.github.io/heteroscan.
- Abstract(参考訳): ほとんどのマルウェア検出研究は、ファイルが実行される前に悪意があるかどうかを特定することに焦点を当てている。
感染後に起こることへの注意は、はるかに少ない。
本稿では,CAPEv2を用いた動的サンドボックス実行を基礎として,37家系にわたる感染後マルウェアの挙動を実証分析した。
挙動トレースは、5つのノードタイプと7つの型付きエッジ関係を持つ不均一グラフとしてモデル化され、平坦な特徴ベクトルが破棄される関係構造を保存する。
グラフ由来の構造的特徴に基づいて訓練された投票アンサンブルは94.44%の精度と0.863のMCCを達成し、MCCの7.4ポイントの平坦な行動ベースラインを上回っている。
マルチクラス分類器は24のマルウェアファミリーを識別し、家族ごとの行動指紋分析は、レジストリ、ネットワーク、プロセス、API次元にわたる感染後の活動を特徴付ける。
LLM説明層は、観察された行動証拠に基づいて、MITRE ATT&CKマッピングでアナリスト可読レポートを生成する。
完全なパイプラインは、https://ama-andam.github.io/heteroscanでHeteroScanとしてデプロイされる。
関連論文リスト
- Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。
本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。
本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
論文 参考訳(メタデータ) (2026-10-02T20:36:22Z) - From Signals to Behaviors: Evidence-Based Android Malware Detection [17.16103824394101]
Androidのマルウェアは依然として永続的な脅威であり、それを正確に検出することは長年のオープンな問題だ。
本稿では,仮説-確認-判断パイプラインとして検出を構造化するPraxについて述べる。
全体的な検出性能は87.4%で、18.6-34.8ポイントでベースラインを上回っている。
論文 参考訳(メタデータ) (2026-07-25T16:16:42Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳(メタデータ) (2026-03-18T06:15:35Z) - TraceRAG: A LLM-Based Framework for Explainable Android Malware Detection and Behavior Analysis [8.977634735108895]
本稿では,TraceRAGを紹介した。TraceRAGは,マルウェアの検出と解析を行うための検索拡張世代(RAG)フレームワークである。
まず、TraceRAGは、ベクトルデータベースにインデックスされたメソッドレベルのコードスニペットの要約を生成する。
クエリ時に、行動に焦点を当てた質問は、より深い検査のために最も意味のあるスニペットを検索する。
最後に、マルチターン解析結果に基づいて、TraceRAGは、識別された悪意のある振る舞いとその対応するコード実装を示す人間可読レポートを生成する。
論文 参考訳(メタデータ) (2025-09-10T06:07:12Z) - Rethinking and Exploring String-Based Malware Family Classification in the Era of LLMs and RAG [41.02368814412595]
Family-Specific String (FSS) 機能は、ファミリー分類を容易にするために、Retrieval-Augmented Generation (RAG) と同様の方法で利用できる。
本研究では,67のマルウェア群から4,347件のサンプルを対象とし,2500万以上の文字列を抽出,解析し,異なる設計選択の影響を評価するための詳細なアブレーション研究を行う。
論文 参考訳(メタデータ) (2025-07-05T14:36:13Z) - Multi-label Classification for Android Malware Based on Active Learning [7.599125552187342]
本稿ではMLCDroidを提案する。MLCDroidは、事前に定義された悪意のある動作の存在を直接示すことができるマルチラベル分類手法である。
我々は,70のアルゴリズム組み合わせの結果を比較し,有効性(73.3%)を評価する。
これは、きめ細かい悪意のある振る舞いについて、より詳細な情報を提供することを目的とした、最初のマルチラベルAndroidマルウェア分類アプローチである。
論文 参考訳(メタデータ) (2024-10-09T01:09:24Z) - Prompt Engineering-assisted Malware Dynamic Analysis Using GPT-4 [45.935748395725206]
GPT-4を用いた即時エンジニアリング支援型マルウェア動的解析手法を提案する。
この方法では、APIシーケンス内の各API呼び出しに対する説明テキストを作成するために、GPT-4が使用される。
BERTはテキストの表現を得るために使われ、そこからAPIシーケンスの表現を導出します。
論文 参考訳(メタデータ) (2023-12-13T17:39:44Z) - MalDICT: Benchmark Datasets on Malware Behaviors, Platforms, Exploitation, and Packers [44.700094741798445]
マルウェア分類に関する既存の研究は、悪意のあるファイルと良性のあるファイルの区別と、家族によるマルウェアの分類という2つのタスクにのみ焦点をあてている。
我々は、マルウェアが提示する行動の分類、マルウェアが実行しているプラットフォーム、マルウェアが悪用する脆弱性、マルウェアが詰め込まれているパッカーの4つのタスクを特定した。
ClarAVyを使ってタグ付けされ、合計で550万近い悪意のあるファイルで構成されています。
論文 参考訳(メタデータ) (2023-10-18T04:36:26Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳(メタデータ) (2023-08-17T20:40:30Z) - Decoding the Secrets of Machine Learning in Malware Classification: A
Deep Dive into Datasets, Feature Extraction, and Model Performance [25.184668510417545]
これまでに670世帯の67Kサンプル(それぞれ100サンプル)で、最大のバランスのとれたマルウェアデータセットを収集しました。
我々は、我々のデータセットを用いて、マルウェア検出と家族分類のための最先端モデルを訓練する。
以上の結果から,静的な特徴は動的機能よりも優れており,両者を組み合わせることで,静的な特徴よりも限界的な改善がもたらされることがわかった。
論文 参考訳(メタデータ) (2023-07-27T07:18:10Z) - Reliable Malware Analysis and Detection using Topology Data Analysis [12.031113181911627]
マルウェアはますます複雑になり、さまざまなインフラストラクチャや個人用デバイスをターゲットにしたネットワークに広まっている。
マルウェアを防御するために、最近の研究はシグネチャと機械学習に基づく異なるテクニックを提案している。
論文 参考訳(メタデータ) (2022-11-03T00:46:52Z)
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。