SAFE-PDF: Robust Detection of JavaScript PDF Malware Using Abstract Interpretation
PDF格式的流行和PDF查看器提供的丰富的JavaScript环境使PDF文档成为恶意软件开发人员的一个有吸引力的攻击媒介。PDF文档对组织的安全性构成了严重威胁，因为大多数用户对它们毫无戒心，因此可能会打开来自不受信任来源的文档。我们建议通过使用保守的抽象解释来静态推理嵌入式JavaScript代码的行为来识别恶意PDF。目前，最先进的工具：（1）基于与已知恶意样本的结构相似性静态识别PDF恶意软件;或（2）动态执行代码以检测恶意行为。这两种方法容易受到规避攻击，这些攻击模仿良性文档的结构，或者在动态分析时不会表现出恶意行为。相反，抽象解释对这两种类型的回避都是不敏感的。与两种最先进的PDF恶意软件检测工具的比较表明，我们保守的抽象解释方法实现了类似的准确性，同时更能抵御规避攻击。
2018-10-30 cs.CR
Deep Neural Network Based Malware Detection Using Two Dimensional Binary Program Features
恶意软件仍然是企业、政府机构和个人面临的严重问题，因为攻击者继续将其作为一种工具来实施频繁且代价高昂的网络入侵。机器学习有望自动化检测新发现的恶意软件家族所需的工作，并且有可能学习有关恶意软件和良性软件的概括，支持检测全新的、未知的恶意软件家族。不幸的是，很少提出的基于机器学习的恶意软件检测方法已经实现了交付可部署检测器所需的低误报率。在本文中，我们的深度神经网络恶意软件分类器，实现了可用的检测率在一个极低的误报率和规模，以现实世界的训练样本量的商品硬件。具体来说，我们证明了我们的系统在0.1%的误报率（FPR）下实现了95%的检测率，基于直接来自我们客户和内部恶意软件数据库的40多万个软件二进制文件。我们通过直接学习所有二进制文件来实现这些结果，而无需任何过滤，解压缩或手动将二进制文件分类。此外，我们直接在来自Invincea部署的端点解决方案的实时文件流上确认了我们的误报率，提供了我们预计每天在企业网上看到的新二进制文件的估计数，并描述了误报率如何与误报率相关并转化为直观的威胁评分。我们的研究结果表明，现在可以快速训练和部署低资源、高准确度的机器学习分类模型，其误报率接近传统的劳动密集型基于签名的方法，同时还可以检测到以前看不见的恶意软件。
2015-09-03 cs.CR
Analyzing PDFs like Binaries: Adversarially Robust PDF Malware Analysis via Intermediate Representation and Language Model
Wuhan University（武汉大学）；Tulane University（杜兰大学）
通过中间表示和语言模型实现对抗鲁棒的PDF恶意软件分析，利用语义和结构特征提取提升检测性能。
2025-12-05 cs.CR
Can Drift-Adaptive Malware Detectors Be Made Robust? Attacks and Defenses Under White-Box and Black-Box Threats
Purdue University（普渡大学）
本文研究了对抗适应性恶意软件检测器在白盒和黑盒威胁下的稳健性问题，提出了一种通用鲁棒化框架，通过微调预训练模型来提升检测器的鲁棒性，同时探讨了不同威胁模型下的最佳策略。
2026-04-08 cs.CR
Mal2GCN: A Robust Malware Detection Approach Using Deep Graph Convolutional Networks With Non-Negative Weights
Sharif University of Technology（谢里夫理工大学）
随着使用深度学习（DL）解决各种问题的步伐越来越快，保护这些模型免受攻击已成为研究人员的主要关注点之一。最近的研究表明，基于DL的恶意软件检测器容易受到对抗性示例的攻击。攻击者可以创建精心制作的对抗性示例，以逃避基于DL的恶意软件检测器。在本文中，我们提出了Mal2GCN，一个强大的恶意软件检测模型，使用函数调用图（FCG）表示的可执行文件结合图卷积网络（GCN）来检测Windows恶意软件。由于可执行文件的FCG表示比原始字节序列表示更鲁棒，因此许多提出的对抗性示例生成方法在规避Mal2GCN方面是无效的。此外，我们使用非负训练方法将Mal2GCN转换为单调非减函数，从而在理论上对附加攻击具有鲁棒性。然后，我们提出了一个黑盒源代码为基础的对抗性恶意软件生成方法，可用于评估恶意软件检测模型对现实世界的对手的鲁棒性。所提出的方法将对抗代码注入恶意软件源代码的各个位置，以逃避恶意软件检测模型。实验表明，非负权值的Mal2GCN在检测Windows恶意软件时具有较高的准确率，并且对恶意软件源代码中添加良性特征的对抗攻击具有较强的鲁棒性。
2022-03-12 cs.CR cs.LG
BPFroid: Robust Real Time Android Malware Detection Framework
我们提出了BPFroid --一个新的Android动态分析框架，它使用Linux内核的eBPF技术来连续监视在真实设备上运行的用户应用程序的事件。所监视的事件是从Android软件堆栈的不同组件收集的：内部内核函数、系统调用、本机库函数和Java API框架。由于BPFroid在内核中挂钩了这些事件，恶意软件无法轻易绕过监控。此外，使用eBPF不需要对Android系统或监控的应用程序进行任何更改。我们还将BPFroid与其他恶意软件检测方法进行了分析比较，并通过开发新的签名来检测基于它的可疑行为来展示其用途。然后使用真实应用程序对这些签名进行评估。我们还演示了如何BPFroid可以用来捕捉法医文物作进一步调查。我们的研究结果表明，BPFroid成功地在实时的报警时，一个可疑的行为签名被检测到，而不会产生显着的运行时性能开销。
2021-05-29 cs.CR
Privacy-Aware Framework of Robust Malware Detection in Indoor Robots: Hybrid Quantum Computing and Deep Neural Networks
Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）；Old Dominion University（老道明大学）
针对CPS中室内机器人面临的DoS攻击，提出融合混合量子计算与深度神经网络的隐私感知恶意软件检测框架，在隐私约束下实现95.2%的检测准确率，支持可扩展部署并增强鲁棒性与可解释性。
2025-10-15 cs.CR
A Deep Learning-based Fine-grained Hierarchical Learning Approach for Robust Malware Classification
物联网（IoT）在家庭和工业应用中的广泛接受伴随着几个安全问题。一个主要的安全问题是它们可能被对手滥用，以达到其恶意目的。了解和分析物联网恶意行为至关重要，特别是随着它们在广泛应用中的快速增长和采用。然而，最近的研究表明，基于机器学习的方法容易受到对抗攻击，例如，通过向二进制文件中添加垃圾代码，意图欺骗那些基于机器学习或深度学习的检测系统。意识到解决这一挑战的重要性，本研究提出了一个恶意软件检测系统，是强大的对抗攻击。要做到这一点，请检查最先进的方法对使用图嵌入和增强技术制作的对抗性物联网软件的性能。特别是，我们研究了这种方法对两种黑盒对抗方法GEA和SGEA的鲁棒性，以减少开销并保持其实用性不变的方式生成对抗示例（AE）。我们与基于GEA的AE的综合实验显示了误分类与注入样本的图大小之间的关系。经过优化和小扰动，通过使用SGEA，所有物联网恶意软件样本都被错误分类为良性。这凸显了当前检测系统在对抗性环境下的脆弱性。随着景观可能的对抗攻击，我们然后提出DL-FHMC，细粒度的分层学习方法的恶意软件检测和分类，这是强大的AE检测能力的88.52%的恶意AE。
2020-05-15 cs.CR
Certifiably robust malware detectors by design
Univ. Rennes（里昂大学）；Inria（法国国家信息与自动化技术研究院）；IRISA（信息科学与自动化研究所）；CentraleSupélec（中央超导大学）；CISPA Helmholtz Center for Information Security（信息安全赫尔姆霍茨研究中心）
针对静态恶意软件检测易受对抗样本规避的问题，提出一种设计上可证明鲁棒的模型架构及框架ERDALT，通过分解特定结构学习鲁棒检测器，在检测性能有限降低下实现鲁棒检测。
2025-08-10 cs.AI cs.CR
Breaking Windows Malware Detection: A Comprehensive Evaluation of Problem-Space Adversarial Robustness
University of Luxembourg（卢森堡大学）；University College London（伦敦大学学院）
本研究统一大规模评估了九种逃逸攻击对八款Windows恶意软件检测器的对抗鲁棒性，发现脆弱性取决于模型表示和攻击类型，最强攻击用更少变换获更高成功率，且对抗加固难以跨攻击迁移。
2026-09-29 cs.CR
Case Study: Neural Network Malware Detection Verification for Feature and Image Datasets
本文以案例研究形式评估神经网络恶意软件检测的验证过程，使用NNV和nnenum工具在特征与图像数据集上展示认证鲁棒性，并提出改进验证的挑战与未来方向。
2024-04-08 cs.CR
Towards Robust Real-Time Hardware-based Mobile Malware Detection using Multiple Instance Learning Formulation
针对实时硬件恶意软件检测中良性片段被误标记导致假阳性增加的问题，本研究提出RT-HMD检测器，利用多示例学习框架和恶意判别得分细化时间序列表示，有效识别局部恶意行为，在保持召回率的同时提升了5%的精确率。
2024-04-19 cs.CR cs.LG
Adaptive Mitigation of Multi-Virus Propagation: A Passivity-Based Approach
University of Washington（华盛顿大学）；Worcester Polytechnic Institute（伍斯特理工学院）；King Abdulaziz City for Science and Technology（阿卜杜勒阿齐兹国王科学技术城）
本文提出了一种自适应策略，通过修补和过滤机制缓解多病毒传播，利用被动动态系统模型分析传播过程，证明修补速率上限与系统被动性指数相关，并通过数值研究验证结果。
2016-09-20 cs.CR cs.SY eess.SY
On Training Robust PDF Malware Classifiers
Columbia University（哥伦比亚大学）
虽然最先进的PDF恶意软件分类器可以以近乎完美的测试准确率（99%）和极低的误报率（低于0.1%）进行训练，但事实证明，即使是简单的对手也可以逃避它们。一个实用的恶意软件分类器必须对规避攻击具有鲁棒性。然而，实现这种鲁棒性是一项极具挑战性的任务。在本文中，我们采取了第一步训练强大的PDF恶意软件分类与可验证的鲁棒性。例如，鲁棒性属性可以强制执行，无论有多少来自良性文档的页面被插入到PDF恶意软件中，分类器仍然必须将其分类为恶意的。我们演示了如何在最坏情况下的行为的恶意软件分类器相对于特定的鲁棒性属性可以正式验证。此外，我们发现，满足正式验证的鲁棒性的训练分类器可以增加无界（即，不受鲁棒性属性的限制）攻击者。具体来说，我们提出了一个新的距离度量，操作的PDF树结构，并指定两个类的鲁棒性属性，包括子树插入和删除。我们利用最先进的可验证的鲁棒训练方法来构建强大的PDF恶意软件分类器。我们的结果表明，我们可以达到92.27%的平均验证的鲁棒准确率超过三个属性，同时保持99.74%的准确率和0.56%的假阳性率。简单的鲁棒性属性，我们的鲁棒模型保持7%以上的鲁棒准确性比所有的基线模型对无限制的白盒攻击。此外，最先进的和新的自适应进化攻击者需要高达10倍大的$L_0$特征距离和21倍多的PDF基本突变（例如，插入和删除对象）来规避我们的鲁棒模型。
2019-12-03 cs.CR cs.LG
Robust Machine Learning for Malware Detection over Time
Android恶意软件的存在和持久性是困扰这个信息时代的持续威胁，机器学习技术现在被广泛用于部署更有效的检测器，可以阻止大多数这些恶意程序。然而，这些算法并没有被开发来追求恶意软件的自然进化，并且由于这种概念漂移，它们的性能随着时间的推移而显著降低。目前，最先进的技术只专注于检测这种漂移的存在，或者通过依赖于模型的频繁更新来解决它。因此，缺乏关于概念漂移原因的知识，并且可以对抗时间流逝的特设解决方案仍然没有得到充分研究。在这项工作中，我们开始解决这些问题，因为我们提出（i）漂移分析框架，以确定哪些数据特征导致漂移，以及（ii）SVM-CB，一个时间感知分类器，利用漂移分析信息来减缓性能下降。我们通过将其随时间推移的退化与最先进的分类器进行比较来突出我们的贡献的功效，并且我们表明SVM-CB更好地承受了自然表征恶意软件域的分布变化。最后，我们讨论了我们方法的局限性，以及我们的贡献如何作为迈向更耐时间的分类器的第一步，这些分类器不仅可以解决，而且还可以理解影响数据的概念漂移。
2022-08-09 cs.CR
Updating Windows Malware Detectors: Balancing Robustness and Regression against Adversarial EXEmples
本文提出EXE-scanner插件，可在不引起性能退化的情况下链接到现有Windows恶意软件检测器以阻止对抗性EXEmples，并实证分析了更新检测器时准确率与退化之间的权衡。
2025-05-04 cs.CR
SEdroid: A Robust Android Malware Detector using Selective Ensemble Learning
Peking University（北京大学）
针对Android恶意软件数量激增、人工检测效率低下的问题，近年来深度学习方法开始成为Android恶意软件检测的辅助手段。然而，这些模型高度依赖于数据集的质量，并且当训练数据的质量不够好时，执行不令人满意的结果。在现实世界中，未经人工检查的数据集质量无法得到保证，甚至Google Play可能包含恶意应用程序，这将导致训练模型失败。为了应对这一挑战，本文提出了一种基于选择性集成学习的Android恶意软件检测方法，试图提供一种有效的解决方案，而不仅仅局限于数据集的质量。该模型利用遗传算法帮助寻找最佳的组件学习器组合，提高模型的鲁棒性。我们的研究结果表明，该方法实现了更强大的性能比其他方法在同一地区。
2019-09-06 cs.CR cs.LG
Quantifiable Uncertainty: A Stochastic Consensus Multi-Agent RAG Framework for Robust Malware Detection
Joaan Bin Jassim Academy for Defence Studies（贾汉·本·贾西姆国防研究学院）
本文提出MAGMA框架，通过语义代码检索与概率验证分离恶意软件分析，引入随机一致性集合和两个互补指标，提升恶意软件检测鲁棒性。
2026-05-08 cs.CR
Hydra: Robust Hardware-Assisted Malware Detection
University of Waterloo（滑铁卢大学）
Hydra通过战略性调度不同特征集提升硬件辅助恶意软件检测的鲁棒性
2026-02-06 cs.CR
Adversarial Deep Learning for Robust Detection of Binary Encoded Malware
CSAIL, MIT Cambridge, USA
恶意软件不断适应以避免检测。基于模型的恶意软件检测器（诸如SVM和神经网络）易受所谓的对抗性示例的攻击，对抗性示例是对可检测恶意软件的适度改变，其允许所产生的恶意软件逃避检测。已经使用鞍点优化公式开发了对图像的对抗性示例具有鲁棒性的连续值方法。我们受到他们的启发，开发类似的方法离散，例如二进制，域的恶意软件的特征。恶意软件的一个具体的额外挑战是，对抗性示例必须以保留其恶意功能的方式生成。我们介绍的方法能够产生功能上保留的对抗性恶意软件的例子在二进制域。使用鞍点公式，我们将对抗性示例纳入对它们具有鲁棒性的模型的训练中。我们评估的方法和其他文献中的一组便携式执行~（PE）文件的有效性。比较提示我们引入了在训练过程中计算的在线测量，以评估鲁棒性的一般期望。
2018-03-25 cs.CR cs.LG stat.ML
Mal-D2GAN: Double-Detector based GAN for Malware Generation
针对机器学习模型鲁棒性不足及现有GAN训练不稳定、对抗样本弱的问题，提出双检测器与最小二乘损失函数的Mal-D2GAN，在2万样本上降低8个检测器准确率，优于MalGAN和Mal-LSGAN。
2025-05-24 cs.CR
Burning the Adversarial Bridges: Robust Windows Malware Detection Against Binary-level Mutations
Meta Inc.（Meta公司）；Visa Research（Visa研究院）；University of Central Florida（中佛罗里达大学）
本研究针对现有恶意软件检测系统易受二进制级对抗变异攻击的问题，提出三种预处理步骤缩减攻击面，并设计基于图的段依赖信息提取方案，在对抗攻击下仍保持较高检测准确率。
2023-10-05 cs.CR cs.LG
Adversarial Detection of Flash Malware: Limitations and Open Issues
在过去的四年中，Flash恶意软件已经成为最隐蔽的威胁之一，近600个针对Adobe Flash的关键漏洞被公开。研究表明，通过利用静态分析从文件或其字节码的结构中提取信息，机器学习可成功用于检测Flash恶意软件。然而，Flash恶意软件检测器对精心设计的规避尝试（也称为对抗性示例）的鲁棒性从未被研究过。在本文中，我们提出了一种新的，有代表性的Flash检测器，嵌入了一个国家的最先进的工具所采用的突出的，静态的功能相结合的安全评估。特别是，我们讨论了如何制作对抗性Flash恶意软件的例子，表明它足以稍微操纵相应的源恶意软件样本，以逃避检测。然后，我们根据经验证明，为减轻逃避尝试而提出的流行防御技术，包括对抗性示例的重新训练，可能并不总是足以确保鲁棒性。我们认为，当从对抗性样本中提取的特征向量与良性数据的特征向量无法区分时，就会发生这种情况，这意味着给定的特征表示本质上是脆弱的。在这方面，我们是第一个正式定义和定量描述此漏洞的人，强调何时可以通过单独提高学习算法的安全性来应对攻击，或者何时还需要考虑其他功能。最后，我们提出了替代的研究方向，以提高基于学习的Flash恶意软件检测器的安全性。
2020-07-14 cs.CR
Design of secure and robust cognitive system for malware detection
George Mason University（乔治梅森大学）
基于机器学习的恶意软件检测技术依赖于恶意软件的灰度图像，并且倾向于基于灰度图像中的纹理分布来对恶意软件进行分类。尽管机器学习技术显示出了进步和有希望的结果，但攻击者可以通过生成对抗性样本来利用漏洞。对抗样本是通过智能地制作并向输入样本添加扰动来生成的。存在大多数基于软件的对抗攻击和防御。现有的基于机器学习和灰度图像的恶意软件检测方法需要对恶意数据进行预处理，以抵御恶意攻击。这可能会导致额外的开销，并可能延长实时恶意软件检测。因此，作为替代方案，我们探索基于RRAM（电阻式随机存取存储器）的防御对手。因此，本论文的目的是解决上述关键的系统安全问题。通过展示所提出的设计安全和鲁棒的认知系统的技术来解决上述挑战。首先，提出了一种新的技术来检测隐形恶意软件。该技术使用恶意软件的二进制图像，然后从相同的提取不同的功能，然后采用不同的ML分类器的数据集，从而获得。结果表明，这种技术是成功的，在区分类的恶意软件的基础上提取的特征。其次，我展示了对抗攻击的影响，可重构的RRAM神经形态架构与不同的学习算法和设备特性。我还提出了一个集成的解决方案，用于减轻对抗攻击的影响，使用可重构RRAM架构。
2022-08-03 cs.CR cs.LG
Adversarial Patterns: Building Robust Android Malware Classifiers
Rochester Institute of Technology（罗切斯特理工学院）
该综述针对全球应用最广的Android系统的恶意软件分类器易受对抗攻击的问题，全面梳理相关背景、攻防最新进展，给出鲁棒分类器设计指南与未来研究方向。
2024-04-12 cs.CR cs.LG
Adversarially Robust and Interpretable Magecart Malware Detection
GECAD, ISEP, Polytechnic of Porto（波尔图理工学院 GECAD 研究所）
本文通过比较多种机器学习模型，结合行为确定性有限自动机，实现了对Magecart攻击的鲁棒且可解释的检测，并通过对抗训练增强鲁棒性。
2025-11-06 cs.CR
When Label Noise Meets Class Imbalance: A Robust Framework for Android Malware Family Classification
Huazhong University of Science and Technology（华中科技大学）；The Hong Kong Polytechnic University（香港理工大学）；NSFOCUS Technologies Group Co., Ltd.（启明星辰信息技术集团股份有限公司）；Key Laboratory of Cyberspace Security, Ministry of Education（教育部网络空间安全学院）
针对Android恶意软件家族分类中标签噪声与类别不平衡的交互问题，提出RoMaC框架，采用自训练纠正噪声标签并区分头尾家族样本，结合类别重加权与多模型集成，在混淆场景下性能提升6%-20%。
2026-09-22 cs.CR
ByteShield: Adversarially Robust End-to-End Malware Detection through Byte Masking
ByteShield通过字节掩码策略提升端到端恶意软件检测器的对抗鲁棒性，有效抑制对抗性负载影响。
2025-12-10 cs.CR
HashTran-DNN: A Framework for Enhancing Robustness of Deep Neural Networks against Adversarial Malware Samples
Nanjing University of Science and Technology（南京理工大学）；Florida International University（佛罗里达国际大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
在图像处理和相关应用的背景下的对抗性机器学习已经受到了大量的关注。然而，对抗性机器学习，特别是对抗性深度学习，在恶意软件检测的背景下，尽管其明显的重要性，但受到的关注要少得多。在本文中，我们提出了一个用于增强深度神经网络（DNN）对对抗性恶意软件样本的鲁棒性的框架，称为哈希变换深度神经网络（HashTran-DNN）。其核心思想是使用具有一定局部保持特性的哈希函数来转换样本，以增强DNN在恶意软件分类中的鲁棒性。该框架进一步使用去噪自动编码器（DAE）正则化器来重建样本的哈希表示，使生成的DNN分类器能够获得潜在空间中的位置信息。我们用HashTran-DNN框架的两个具体实例来对Android恶意软件进行分类。实验结果表明，四种已知的攻击可以使标准DNN在分类Android恶意软件时变得无用，已知的防御最多可以防御四种攻击中的三种，而HashTran-DNN可以有效地防御所有四种攻击。
2018-09-18 cs.CR cs.LG stat.ML
EGAMA-RC: Risk-Calibrated Evidence-Gated Adaptive Malware Analysis for Robust and Interpretable Memory-Forensic Triage
School of Information Technology, University of Cincinnati（辛辛那提大学信息技术学院）
EGAMA-RC是用于内存取证分类的风险校准证据门控框架，结合多维度评估与路由，在三个恶意软件数据集上实现高接受准确率与低误接受率，为可靠恶意软件分析提供方案。
2026-08-25 cs.CR cs.LG
Malware Detection at the Microarchitecture Level using Machine Learning Techniques
在处理器微体系结构级别检测恶意软件网络攻击最近已经成为增强计算机系统安全性的有前景的解决方案。诸如基于硬件的恶意软件检测之类的安全机制使用机器学习算法来借助于硬件性能计数器（HPC）信息对恶意软件进行分类和检测。ML分类器被馈送从硬件性能计数器（HPC）提取的微架构数据，其中包含关于软件程序的行为数据。这些HPC在运行时被捕获以模拟程序的行为。由于每个处理器的HPC数量是有限的，因此许多技术采用特征约简来将HPC的数量减少到最基本的属性。以前的研究已经使用二进制分类来实现他们的恶意软件检测后，做了广泛的特征减少。这导致软件是恶意软件还是良性软件的简单识别。本研究通过比较不同的机器学习算法与二进制和多类分类模型的准确性，全面分析了不同的基于硬件的恶意软件检测器。我们的实验结果表明，与复杂的机器学习模型（例如，G.神经网络和逻辑），轻量级J48和JRip算法在检测恶意模式方面表现更好，即使引入了多种类型的恶意软件。虽然它们的检测精度略有下降，但它们的鲁棒性（曲线下面积）仍然足够高，可以提供合理的误报率。
2020-05-25 cs.CR
Robust Android Malware Detection System against Adversarial Attacks using Q-Learning
BITS Pilani（比尔拉科学技术学院）；Microsoft（微软）
当前最先进的Android恶意软件检测系统基于机器学习和深度学习模型。尽管具有优越的性能，这些模型容易受到对抗攻击。因此，在本文中，我们开发了八种基于机器学习和深度神经网络的Android恶意软件检测模型，并研究了它们对对抗攻击的鲁棒性。为此，我们使用强化学习创建了新的恶意软件变体，这些变体将被现有的Android恶意软件检测模型错误分类为良性。我们提出了两种新的攻击策略，即使用强化学习的白盒和灰盒场景下的单策略攻击和多策略攻击。站在对手的立场上，我们设计了针对检测模型的对抗攻击，目标是最大化欺骗率，同时对Android应用程序进行最少的修改，并确保应用程序的功能和行为不会发生变化。我们在所有8个检测模型中分别实现了44.21%和53.20%的平均欺骗率，最多使用单策略攻击和多策略攻击进行5次修改。采用多策略方法，对基于决策树的模型进行了5次修改，取得了86.09%的最高欺骗率。最后，我们提出了一种对抗性防御策略，该策略可以将针对单个策略攻击的平均欺骗率降低三倍至15.22%，从而提高检测模型的鲁棒性，即所提出的模型可以有效地检测恶意软件的变体（变形）。实验分析表明，我们提出的基于强化学习的Android恶意软件检测系统对对抗攻击具有更强的鲁棒性。
2021-01-27 cs.AI cs.CR cs.LG
Explainability-Informed Targeted Malware Misclassification
针对神经网络恶意软件分类器，本文利用SHAP识别关键特征，并通过FGSM与PGD白盒攻击实现定向错误分类，揭示其规避脆弱性并提供防御建议与研究基准。
2024-05-07 cs.CR
Enhancing the Insertion of NOP Instructions to Obfuscate Malware via Deep Reinforcement Learning
当前用于解决恶意软件检测和分类问题的最新研究集中在由机器学习驱动的系统的设计、实现和部署上，因为其能够推广到从未见过的恶意软件家族和多态突变。然而，已经表明，机器学习模型，特别是深度神经网络，缺乏对精心制作的输入（对抗性示例）的鲁棒性。在这项工作中，我们已经调查了一个国家的最先进的浅卷积神经网络恶意软件分类对死代码插入技术的脆弱性。我们提出了一个通用的框架，由双Q网络诱导错误分类的恶意软件家族。该框架通过卷积神经网络来训练代理，以选择代码序列中的最佳位置来插入死代码指令，使得机器学习分类器错误标记所得到的可执行文件。实验结果表明，该方法对Kelihos_ver3、Simda和Kelihos_ver1家族的样本的回避率均为100%，而分类器的分类准确率显著下降至56.53%.此外，与随机代理相比，错误标记恶意软件所需的平均指令数减少了33%。
2021-11-18 cs.CR
IntelliAV: Building an Effective On-Device Android Malware Detector
对于安全社区来说，采用机器学习进行恶意软件检测的重要性已经变得显而易见。一些反恶意软件供应商声称并宣传了机器学习在其产品中的应用，其中推理阶段在服务器和高性能机器上执行，但研究界尚未评估这种方法在计算资源有限的移动设备上的可行性，供应商仍然持怀疑态度。在本文中，我们的目标是展示设计一个基于学习的Android移动设备上的反恶意软件的实用性，首先。此外，我们的目标是证明这样一个工具的重要性，以阻止新的和逃避恶意软件，不能很容易地被基于签名或离线学习的安全工具。为此，我们首先提出从Android应用程序中提取一组轻量级但功能强大的功能。然后，我们将这些特征嵌入到向量空间中，以构建一个有效的模型。因此，该模型可以对设备执行推断，以检测潜在有害的应用程序。我们表明，不诉诸任何签名，只依赖于一个训练阶段，涉及一组合理的样本，建议的系统，名为IntelliAV，提供更令人满意的性能比流行的主要反恶意软件产品。此外，我们评估了IntelliAV对常见混淆技术的鲁棒性，大多数反恶意软件解决方案都会受到影响。
2018-02-04 cs.CR
McNdroid: A Longitudinal Multimodal Benchmark for Robust Drift Detection in Android Malware
Department of Computer Science, University of Texas at El Paso（德克萨斯大学埃尔帕索分校计算机科学系）；CrowdStrike
McNdroid是首个大规模纵向多模态Android恶意软件基准，通过静态、动态和图谱特征分析，评估不同训练-测试时间间隔下的ML和深度学习检测器性能，揭示多模态融合在长期时间间隔中的优势。
2026-05-07 cs.CR cs.LG
A Robust Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via (De)Randomized Smoothing
CeADAR, University College Dublin（都柏林大学学院CeADAR）；IBM Research Europe（IBM欧洲研究院）；University of Lleida（莱里达大学）
本文针对深度学习恶意软件检测器易受对抗样本攻击的问题，提出基于字节块消融的（去）随机平滑防御方法，通过训练基分类器对连续字节块分类并在测试时取共识预测，在BODMAS数据集上显著提升了检测器对逃避攻击的鲁棒性。
2024-02-26 cs.AI cs.CR
RoMA: Robust Malware Attribution via Byte-level Adversarial Training with Global Perturbations and Adversarial Consistency Regularization
College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；The Hong Kong Polytechnic University（香港理工大学）；College of Information and Computational Science, Jilin University（吉林大学信息与计算科学学院）；School of Computer Science, Xiangtan University（湘潭大学计算机学院）
针对 APT 恶意软件归因模型易受对抗攻击的问题，提出单步对抗训练框架 RoMA，融合全局扰动与对抗一致性正则化，并构建 AMG18 数据集，显著提升鲁棒性、准确率和训练效率。
2025-02-15 cs.CR cs.CV
ViPER: Vision-based Packing-Aware Encoder for Robust Malware Detection
Department of Computer & Information Sciences, Pakistan Institute of Engineering & Applied Sciences (PIEAS)（计算机与信息科学系，巴基斯坦工程与应用科学研究院）
提出ViPER，一种基于LoRA适配ViT-B/14的双头架构，联合学习恶意软件分类和打包检测，通过打包感知门控机制和频率加权损失处理打包标签偏斜，在20万Windows PE图像上达到0.8521平衡准确率、0.9260 ROC-AUC和0.9279 AUPR。
2026-06-12 cs.CR cs.CV
DeepTrust: Multi-Step Classification through Dissimilar Adversarial Representations for Robust Android Malware Detection
Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））
提出DeepTrust元启发式方法，通过级联条件激活的异构分类器序列，最大化内部模型表示差异，在特征空间逃逸攻击下实现鲁棒检测，在2025年IEEE SaTML竞赛中获第一名。
2025-10-14 cs.CR cs.LG
MASKDROID: Robust Android Malware Detection with Masked Graph Representations
National University of Singapore（新加坡国立大学）
本文提出 MASKDROID，通过在 GNN 框架中引入图掩码重建机制和对比学习模块，增强安卓恶意软件检测器对对抗攻击的鲁棒性和判别能力。
2024-09-29 cs.AI cs.CR cs.SE
Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
Zhejiang University（浙江大学）；University College London（伦敦大学学院）
本文提出ADD框架，一种插件式防御方案，用于增强基于机器学习的Android恶意软件检测系统对问题空间对抗性攻击的鲁棒性，实验证明其有效且能提升现实防病毒软件的防御能力。
2025-01-23 cs.AI cs.CR cs.LG
Robust Neural Malware Detection Models for Emulation Sequence Learning
University of California at Santa Cruz（加州大学圣克鲁兹分校）；Microsoft Research（微软研究院）；Microsoft Corp.（微软公司）
恶意软件或恶意软件在计算机安全方面提出了不断发展的挑战。这些以恶意文件形式或隐藏在合法文件中的嵌入式代码片段会对能够运行恶意命令序列的系统造成重大风险。恶意软件作者甚至使用多态性来重新排序这些命令，并创建几个恶意变体。然而，如果在安全环境中执行，则可以对仿真命令序列执行早期恶意软件检测。本文中提出的模型利用通过仿真获得的顺序数据来执行神经恶意软件检测。这些模型通过从这些序列中学习恶意事件操作的存在和共同出现的模式来瞄准恶意操作的核心。我们的模型可以捕获整个事件序列，并直接使用已知的目标标签进行训练。这些端到端学习模型由两种常用的结构提供支持-长短期记忆（LSTM）网络和卷积神经网络（CNN）。以前提出的顺序恶意软件分类模型处理不超过200个事件。攻击者可以通过将任何恶意活动延迟到文件开头之后来逃避检测。我们提出了专门的模型，可以处理非常长的序列，同时成功地执行恶意软件检测，以有效的方式。我们提出了一个实现的卷积分割的长序列的方法，以解决这个漏洞，并操作长序列。我们在一个由634，249个文件序列组成的大型数据集上展示了我们的结果，这些文件序列非常长。
2018-06-28 cs.AI cs.CR cs.LG
MDEA: Malware Detection with Evolutionary Adversarial Learning
恶意软件检测已经使用机器学习来检测程序中的恶意软件。这些应用程序将原始或处理后的二进制数据输入神经网络模型，以将其分类为良性或恶意文件。尽管这种方法已被证明对动态变化有效，例如加密、混淆和打包技术，但它容易受到特定的规避攻击，其中输入数据中的小变化在测试时导致误分类。本文提出了一种新的方法：MDEA，一种对抗性恶意软件检测模型，使用进化优化来创建攻击样本，使网络对逃避攻击具有鲁棒性。通过使用演化的恶意软件样本重新训练模型，其性能显著提高。
2020-04-17 cs.CR cs.NE
Level Up with ML Vulnerability Identification: Leveraging Domain Constraints in Feature Space for Robust Android Malware Detection
Radboud University（拉德堡德大学）；Ruhr University Bochum（波鸿鲁尔大学）
针对ML在Android恶意软件检测中易受可实现对抗样本规避攻击的问题，提出在特征空间学习Android域约束的新方法，有效检测对抗样本，并在对抗训练中显著提升模型鲁棒性和训练效率。
2024-12-24 cs.CR cs.LG
MARD: A Multi-Agent Framework for Robust Android Malware Detection
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络空间安全学院）
MARD通过结合LLM的语义理解和传统静态分析，提出多智能体框架，有效降低APK深度分析成本，实现高可解释性检测，F1得分达93.46%。
2026-04-28 cs.CR cs.SE
Improving Robustness of ML Classifiers against Realizable Evasion Attacks Using Conserved Features
Washington University in St. Louis（圣路易斯华盛顿大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；Ariel University（阿里埃勒大学）；University of Michigan（密歇根大学）
机器学习（ML）技术在安全应用中越来越常见，例如恶意软件和入侵检测。然而，ML模型通常容易受到规避攻击的影响，其中对手对输入（例如恶意软件）进行更改以避免被检测到。评估ML对此类攻击的鲁棒性以及设计鲁棒ML的传统方法是通过考虑简化的攻击特征空间模型，其中攻击者直接改变ML特征以实现规避，同时最小化或限制这种变化的幅度。我们研究了这种方法在面对可以在实际恶意软件中实现的攻击（可实现的攻击）时设计鲁棒ML的有效性。我们证明，在基于结构的PDF恶意软件检测的上下文中，这样的技术似乎有有限的有效性，但他们是有效的基于内容的检测器。在这两种情况下，我们表明，增加保守的功能（那些不能单方面修改而不损害恶意功能）的特征空间模型显着提高性能。最后，我们表明，特征空间模型，使广义的鲁棒性时，面对各种可实现的攻击，相比，被调整到一个特定的可实现的攻击是强大的分类器。
2019-05-10 cs.CR cs.LG
On Visual Hallmarks of Robustness to Adversarial Malware
CSAIL, MIT（麻省理工学院计算机科学与人工智能实验室）
对抗性学习的一个核心挑战是解释由此产生的硬化模型。在这方面的贡献，我们问如何强大的泛化可以直观地辨别，以及是否有可能一个简洁的视图硬化决策图和输入样本之间的相互作用。我们首先提供了一种方法，可以直观地比较硬化模型相对于训练期间生成的对抗变体的损失行为，以及相对于从其他来源生成的对抗变体的损失行为。这使我们能够确认，观察到的损失景观的平坦性与自然训练模型中看到的泛化的关联扩展到对抗硬化模型和鲁棒泛化。为了补充这些解释模型参数鲁棒性的方法，我们还使用自组织映射来提供一种在模型的决策空间上叠加对抗和自然变量的视觉方法，从而允许全面检查模型的全局鲁棒性。
2018-05-09 cs.CR cs.HC cs.LG
Explainability-Guided Adversarial Attacks on Transformer-Based Malware Detectors Using Control Flow Graphs
Tennessee Tech University（田纳西理工大学）；University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
本文研究了基于变换器的恶意软件检测器在对抗性逃逸攻击中的脆弱性，提出了一种利用可解释性机制的白盒对抗攻击方法，通过扰动关键图组件来诱导误分类。
2026-04-04 cs.CR cs.LG
GANG-MAM: GAN based enGine for Modifying Android Malware
University of Kerala（喀拉拉大学）；University of Sannio（桑尼奥大学）；Cochin University of Science and Technology（科钦科技大学）
基于机器学习的恶意软件检测器容易受到对抗攻击的攻击。生成对抗网络（GAN）是基于神经网络的架构，可以生成成功的对抗样本。对这项技术的兴趣正在迅速增长。在本文中，我们提出了一个系统，产生一个特征向量，使Android恶意软件强烈回避，然后相应地修改恶意程序。这样的系统可以有双重贡献：它可以用来生成数据集，以验证检测基于GAN的恶意软件的系统，并扩大训练和测试数据集，以制作更强大的恶意软件分类器。
2021-09-27 cs.AI cs.CR cs.LG
CorrNetDroid: Android Malware Detector leveraging a Correlation-based Feature Selection for Network Traffic features
本文提出基于动态网络流量分析的Android恶意软件检测系统CorrNetDroid，通过结合crRelevance和NMRS度量提出新的特征选择算法筛选最优特征子集，仅用两个特征即达99.50%准确率，优于现有统计检验和最先进技术。
2025-03-03 cs.CR cs.MM
Hamm-Grams: An Algorithm for Mining Regular Expressions of Bytes
提出Hamm-Grams算法，通过局部敏感哈希和聚类高效挖掘固定长度含通配符的正则表达式特征，用于恶意软件分类检测，比传统n-gram更鲁棒。
2026-07-03 cs.CR cs.LG
CNS-Net: Conservative Novelty Synthesizing Network for Malware Recognition in an Open-set Scenario
The Hong Kong Polytechnic University（香港理工大学）；Shanghai Jiao Tong University（上海交通大学）；Jinan University（暨南大学）；University of Electronic Science and Technology of China（电子科技大学）
针对开放集场景下恶意软件识别的挑战，提出保守合成未知家族样本的CNS-Net模型以提升分类鲁棒性，同时构建大规模基准数据集MAL-100，实验验证其效果优于现有代表性方法。
2023-05-02 cs.CR cs.LG
Understanding the efficacy, reliability and resiliency of computer vision techniques for malware detection and future research directions
Intel Labs（英特尔研究院）
我的研究领域是安全和机器学习的交叉点。本概述总结了我的研究的一个组成部分：将计算机视觉与恶意软件利用检测相结合，以增强安全解决方案。我将提出有效性、可靠性和弹性的观点，将威胁检测制定为计算机视觉问题，并开发最先进的基于图像的恶意软件分类。将恶意软件二进制表示为图像提供了数据样本的直接可视化，减少了特征提取的工作量，并且消耗了整个二进制用于整体结构分析。将对大规模图像分类有效的深度神经网络的迁移学习应用于恶意软件分类，与经典的机器学习算法相比，展示了优越的分类效率。为了增强这些基于视觉的恶意软件检测器的可靠性，可以在恶意软件视觉表示上构建解释框架，并且该解释框架对于提取忠实的解释是有用的，使得安全从业者在部署之前对模型有信心。在网络安全应用程序中，我们应该始终假设恶意软件编写者不断修改代码以绕过检测。解决恶意软件检测器的弹性与功效和可靠性同等重要。通过了解用于恶意软件检测的机器学习模型的攻击面，我们可以大大提高算法的鲁棒性，以打击野生恶意软件对手。最后，我将讨论未来的研究方向值得追求在这个研究社区。
2019-04-03 cs.CR cs.CV cs.LG
