Through the Static: Demystifying Malware Visualization via Explainability
本研究复现六个CNN模型并利用CAM技术评估其在MalImg、Big2015和VX-Zoo数据集上的可解释性，同时利用提取的热力图增强视觉Transformer分类器性能，使F1分数提升2%至8%。
2025-03-04 cs.CR
Empirical Analysis of Evasion and Poisoning Against Malware Data Drift Detection
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）
本研究实证分析了针对恶意软件数据漂移检测器与恶意软件分类器组合的规避、投毒攻击，发现数据漂移检测器的独特特性会使针对恶意软件分类器的攻击产生不同效果。
2026-08-13 cs.CR
secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python
针对基于学习的Windows恶意软件检测器易被对抗样本规避的问题，研究团队推出了首个Python库secml-malware，实现了白盒与黑盒对抗攻击，可用于渗透测试及鲁棒性评估，且支持扩展新攻击策略。
2024-12-13 cs.CR
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
Enhancing Malware Detection with Generative AI: Using Variational Autoencoders to Boost Machine Learning Classifiers' Performance
North Dakota State University（北达科他州立大学）；University of West Florida（西佛罗里达大学）
提出使用变分自编码器生成合成恶意软件样本，增强随机森林、XGBoost和序列模型分类器的训练数据，显著提升检测准确率、精确率、召回率和F1分数。
2026-05-17 cs.CR
Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors
CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61研究所）；Cybersecurity CRC（网络安全合作研究中心）；Hong Kong University of Science and Technology (GZ)（香港科技大学（广州））；Shanghai Jiao Tong University（上海交通大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出可解释性引导的模型无关测试框架，引入累积恶意幅值AMM识别可操纵特征，揭示商业杀毒引擎的脆弱性、迁移性条件及特征脆弱性度量，为改进恶意软件检测器鲁棒性提供依据。
2023-11-27 cs.CR cs.LG
MAB-Malware: A Reinforcement Learning Framework for Attacking Static Malware Classifiers
现代商业防病毒系统越来越依赖于机器学习来跟上新恶意软件的猖獗膨胀。然而，众所周知，机器学习模型容易受到对抗性示例（AE）的影响。以前的工作表明，ML恶意软件分类器是脆弱的白盒对抗攻击。然而，商业防病毒产品中使用的ML模型通常对攻击者不可用，只返回硬分类标签。因此，以纯黑盒的方式评估ML模型和真实世界AV的鲁棒性更实际。我们提出了一个基于黑盒强化学习（RL）的框架来生成AE的PE恶意软件分类器和AV引擎。该算法将对抗攻击问题看作是一个多臂强盗问题，在利用成功模式和探索更多多样性之间找到了一个最优平衡。与其他框架相比，我们的改进在于三点。1)通过将生成过程建模为无状态过程来限制探索空间，以避免组合爆炸。2)由于有效载荷在AE生成中的关键作用，我们设计在建模中重用成功的有效载荷。3)最小化AE样本的变化，以正确分配RL学习中的奖励。它还有助于确定逃避的根本原因。因此，我们的框架比其他现成的框架具有更高的黑盒规避率。实验结果表明，在纯黑盒环境下，该算法对两种最大似然检测器的回避率在74%~ 97%之间，对商用AV的回避率在32%~ 48%之间.我们还证明了基于ML的分类器之间的对抗攻击的可转移性高于纯粹基于ML和商业AV之间的攻击可转移性。
2021-04-29 cs.CR
Trustworthy AI LLM Scalability Risk Index (LSRI): A Cybersecurity Framework Assessing Agentic-AI Security & Software Model Supply Chain Safety Boosting AI-Generated Malware Defense & Explainability Mitigating Emerging Risks of Generative AI
Virelya Intelligence Research Labs（Virelya 智能研究实验室）；Google（谷歌）
本文研究了大语言模型在代理AI中的可扩展性风险及模型供应链安全问题，提出LSRI指数和模型供应链框架，以提升安全关键环境下的LLM部署安全性。
2026-07-21 cs.CR
Stimulation and Detection of Android Repackaged Malware with Active Learning
重新打包是一种越来越多的Android恶意软件作者采用的技术。研究社区在设计检测这种恶意软件的技术时面临的主要问题是缺乏准确定位良性应用程序中嫁接的恶意片段的基本事实。如果没有这些关键知识，就很难训练可靠的分类器，能够有效地对新的、样本外重新打包的恶意软件进行分类。为了解决这个问题，我们认为，可靠的分类器可以被训练来检测重新包装的恶意软件，如果他们被允许请求新的，更准确的表示应用程序的行为。这种学习技术被称为主动学习。在本文中，我们提出了使用主动学习训练分类器，能够应付重新包装的恶意软件的模棱两可的性质。我们实现了一个架构，永恒之塔，连接的过程中，刺激和检测重新包装的恶意软件使用反馈回路描绘主动学习。我们使用两个恶意软件数据集（Malgenome和Piggybacking）对Aion的示例实现进行了评估，结果表明，主动学习的性能优于传统的检测技术，因此在检测Android重新打包的恶意软件方面具有很大的潜力。
2018-08-03 cs.CR
Query-Efficient Black-Box Attack Against Sequence-Based Malware Classifiers
Ben-Gurion University of The Negev（本-古里安大学）
在本文中，我们提出了一个通用的，查询高效的黑盒攻击对基于API调用的机器学习恶意软件分类器。我们通过修改恶意软件的API调用序列和非顺序特征（可打印字符串）来生成对抗性示例，这些对抗性示例将被目标恶意软件分类器错误分类，而不会影响恶意软件的功能。与以前的研究相比，我们的攻击最大限度地减少了所需的恶意软件分类器查询的数量。此外，在我们的攻击中，攻击者必须只知道恶意软件分类器预测的类;攻击者对恶意软件分类器的置信度得分的了解是可选的。我们评估了针对各种恶意软件分类器架构进行攻击时的攻击效果，包括递归神经网络（RNN）变体、深度神经网络、支持向量机和梯度提升决策树。当分类器的置信度得分已知时，我们的攻击成功率约为98%，而当分类器的预测类已知时，攻击成功率为64%。我们实现了四个最先进的查询效率的攻击，并表明我们的攻击需要更少的查询和更少的知识，攻击模型的架构比其他现有的查询效率的攻击，使其实用的攻击基于云的恶意软件分类器以最小的成本。
2020-10-03 cs.CR cs.LG
FamDroid: Learning-Based Android Malware Family Classification Using Static Analysis
Android是目前世界上使用最广泛的智能手机平台。由于其流行性和开源性，Android恶意软件近年来增长迅速，给用户的隐私带来了极大的风险。恶意软件家族中的恶意软件应用可以具有共同的特征和类似的行为，这对于恶意软件检测和检查是有益的。因此，将Android恶意软件分类到其相应的家族中是恶意软件分析中的重要任务。目前，现有Android恶意软件家族分类研究工作存在的主要问题在于，提取的特征不足以代表恶意软件家族中恶意软件的共同行为特征，且利用单一分类器或静态集成分类器进一步提高分类精度受到限制。在本文中，我们提出了FamDroid，一个基于学习的Android恶意软件家族分类方案，使用静态分析技术。在FamDroid中，从恶意软件应用程序的apk文件中提取显式功能，包括权限、硬件组件、应用程序组件、意图过滤器。此外，从提取的API中生成的隐藏特征用于表示应用程序中的API调用关系。然后，我们设计了一个自适应加权集成分类器，它考虑了样本对每个基分类器的适应性，进行准确的恶意软件家族分类。我们在包含5560个Android恶意应用程序的Drebin数据集上进行了实验。通过与5种传统的机器学习模型和4种最先进的参考方案的比较，证明了FamDroid的优越性。FamDroid可以正确地将98.92%的恶意软件样本分类到它们的家族中，并达到99.12%的F1分数。
2021-01-29 cs.CR
Defending Hardware-based Malware Detectors against Adversarial Attacks
在物联网（IoT）时代，恶意软件在过去十年中呈指数级增长。传统的防病毒软件对现代复杂的恶意软件无效。为了应对这一挑战，研究人员提出了使用硬件性能计数器（HPC）的硬件辅助恶意软件检测（HMD）。HPC用于训练一组机器学习（ML）分类器，这些分类器又用于区分良性程序和恶意软件。最近，对抗攻击已经通过使用对抗样本预测器在HPC迹线中引入扰动来设计，以将程序错误分类为特定HPC。这些攻击的设计基本假设是攻击者知道HPC用于检测恶意软件。由于现代处理器由数百个HPC组成，因此仅限制其中几个用于恶意软件检测有助于攻击者。在本文中，我们提出了一个移动目标防御（MTD），这种对抗攻击通过设计多个ML分类器上训练不同的HPC集。MTD随机选择一个分类器;因此，使攻击者对HPC或应用的分类器数量感到困惑。我们已经开发了一个分析模型，证明了攻击者猜测MTD的完美HPC-分类器组合的概率非常低（对于具有20个HPC的系统，在$10^{-1864}$的范围内）。我们的实验结果证明，所提出的防御能够提高HPC痕迹的分类精度，这些痕迹通过对抗性样本生成器进行了修改，最高可达31.5%，几乎完美（99.4%）恢复了原始精度。
2020-07-26 cs.CR
Control Flow Change in Assembly as a Classifier in Malware Analysis
由于目前经典的恶意软件检测方法的基础上签名无法检测到新的恶意软件，他们并不总是有效的新的混淆技术。此外，新的恶意软件很容易创建，旧的恶意软件可以重新编码以产生新的恶意软件。因此，传统的防病毒软件在应对这些新威胁时变得越来越低效。此外，恶意软件得到手定制绕过网络安全和防病毒。但由于分析师没有足够的时间手动分析可疑的恶意软件，因此已经开发了自动化方法。为了应对大量的新恶意软件，统计和机器学习方法被证明是一种很好的程序分类方法，特别是当使用多种方法一起提供软件是恶意的可能性时。在正常的方法中，已经采取了一些步骤，主要是通过分析拆卸的操作码或助记符及其分布。在本文中，我们专注于控制流更改（CFC）本身，并找出它是否是重要的检测恶意软件。在这项工作的范围内，只有相对的控制流的变化是预期的，因为这些更容易从第一个选择的反汇编程序库中提取，并在256个地址的范围内。这些特征被分析为原始特征，作为长度为2、4和6的n-gram，并且使用n-gram的出现的更抽象的特征。统计方法以及朴素贝叶斯算法，以找出是否有显着的数据在CFC。我们还用真实世界的数据集测试了我们的方法。
2016-09-09 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
Generic Black-Box End-to-End Attack Against State of the Art API Call Based Malware Classifiers
Ben Gurion University（本-古里安大学）
在本文中，我们提出了一种针对基于API调用的机器学习恶意软件分类器的黑盒攻击，重点是生成结合API调用和静态特征（例如，可打印字符串），其将被分类器错误分类而不影响恶意软件功能。我们表明，由于RNN变体、前馈DNN和传统机器学习分类器（如SVM）之间的可转移性原则，这种攻击对许多分类器都是有效的。我们还实现了GADGET，一个软件框架，将任何恶意软件二进制转换为二进制未检测到的恶意软件分类器，使用拟议的攻击，而无需访问恶意软件源代码。
2018-06-24 cs.CR cs.LG cs.NE
Evading Malware Classifiers via Monte Carlo Mutant Feature Discovery
University of Maryland Baltimore County（马里兰大学巴尔的摩郡分校）；Booz Allen Hamilton（博思艾伦汉密尔顿控股公司）
由于新恶意软件的涌入、不断变化的威胁环境以及机器学习方法发现恶意软件和良性软件之间有意义的区别的能力，机器学习的使用已经成为恶意软件检测工作的重要组成部分。反病毒供应商也已经开始广泛利用基于动态和静态恶意软件分析特征的恶意软件分类器。因此，恶意软件作者可能会针对机器学习模型进行规避性二进制修改，作为恶意软件开发生存周期的一部分，以成功执行攻击。这使得研究可能的分类规避策略成为网络防御恶意攻击的重要组成部分。为此，我们设计了一个灰盒设置来分析恶意软件作者不知道目标分类器算法的情况，并且无法访问分类器做出的决策，但知道训练中使用的特征。在这个实验中，恶意行为者使用EMBER-2018数据集训练代理模型，以发现导致实例通过蒙特卡罗树搜索被错误分类的二进制突变。然后，变异的恶意软件被发送到受害者模型，该模型取代了防病毒API，以测试它是否可以逃避检测。
2021-06-15 cs.CR cs.LG
A survey on practical adversarial examples for malware classifiers
Rensselaer Polytechnic Institute（伦斯勒理工学院）
基于机器学习的解决方案在解决处理大量数据的问题方面非常有帮助，例如恶意软件检测和分类。然而，深度神经网络被发现容易受到对抗性示例的影响，或者输入被故意扰动以导致不正确的标签。研究人员已经证明，这个漏洞可以被利用来创建规避恶意软件样本。然而，许多提出的攻击不生成可执行文件，而是生成特征向量。为了充分理解对抗性示例对恶意软件检测的影响，我们回顾了针对恶意软件分类器的实际攻击，这些分类器生成可执行的对抗性恶意软件示例。我们还讨论了目前在这一领域的研究，以及改进和未来的研究方向的建议面临的挑战。
2020-11-06 cs.CR cs.LG
Android Malware Detection Using Parallel Machine Learning Classifiers
McAfee Labs（迈克菲实验室）
移动恶意软件继续以惊人的速度增长，尽管正在努力减轻这个问题。这在Android上尤其明显，因为它是一个开放平台，随后在移动智能设备市场的份额中超过了其他平台。因此，激励新一波新兴的Android恶意软件足够复杂，可以逃避大多数常见的检测方法。提出并研究了一种基于并行机器学习的Android恶意软件早期检测分类方法。使用真实的恶意软件样本和良性的应用程序，一个复合分类模型开发的异构分类器的并行组合。在不同的组合方案下的模型的实证评估表明，其有效性和潜力，以提高检测精度。更重要的是，通过利用具有不同特征的多个分类器，它们的优势不仅可以用于增强Android恶意软件检测，还可以通过更具可解释性的组成分类器进行更快的白盒分析。
2016-07-27 cs.AI cs.CR
Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers
Ben-Gurion University of the Negev（本古里安大学）；Nanyang Technological University（南洋理工大学）
基于机器学习的恶意软件分类器的性能取决于用于诱导其模型的大型且更新的训练集。为了保持最新的训练集，需要从广泛的来源不断收集良性和恶意文件，为攻击者提供可利用的目标。在这项研究中，我们展示了攻击者如何针对用于训练恶意软件分类器的数据集发起复杂而有效的中毒攻击。攻击者的最终目标是确保由中毒数据集诱导的模型将无法检测攻击者的恶意软件，但能够检测其他恶意软件。与恶意软件检测领域的其他中毒攻击相反，我们的攻击并不关注恶意软件家族，而是关注包含植入触发器的特定恶意软件实例，根据中毒量将检测率从99.23%降至0%。我们使用最先进的分类器和来自VirusTotal的恶意软件样本评估我们对EMBER数据集的攻击，以进行我们工作的端到端验证。我们提出了一种全面的检测方法，可以作为未来对这种新发现的严重威胁的复杂防御。
2020-10-30 cs.CR cs.LG
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
An Efficient Detection of Malware by Naive Bayes Classifier Using GPGPU
BITS, Pilani（皮拉尼贝拉技术科学学院）
由于计算设备中恶意软件和文件的数量不断增加（根据AV-Test Institute，已知的恶意软件总数约为8 x 10^8，并且每天注册约2.5 x 10^4恶意软件），设计一个不仅有效而且还可以有效检测新的或以前未见过的恶意软件以防止/最小化损害的系统非常重要。因此，本文提出了一种新的分组方法，通过使用GPGPU的功能并行分类来有效检测恶意软件，并表明通过使用朴素贝叶斯分类器，检测速度可以提高到200倍。研究还表明，分类时间显着增加的特征的数量。
2019-05-30 cs.CR cs.LG
Improving Robustness of Malware Classifiers using Adversarial Strings Generated from Perturbed Latent Representations
Czech Technical University in Prague（布拉格捷克理工大学）
在恶意软件行为分析中，访问和创建的文件列表通常指示所检查的文件是恶意的还是良性的。然而，恶意软件作者试图通过生成随机文件名和/或用新版本的恶意软件修改使用的文件名来避免检测。这些变化代表了现实世界的对抗性例子。这项工作的目标是生成真实的对抗性示例，并提高分类器对这些攻击的鲁棒性。我们的方法以无监督的方式学习输入字符串的潜在表示，并在潜在域中使用基于梯度的对抗攻击方法来生成输入域中的对抗示例。我们使用这些例子来提高分类器的鲁棒性，通过训练生成的对抗性字符串集。与只在扰动的潜在向量上训练的分类器相比，我们的方法产生的分类器明显更鲁棒，而不会在标准精度上有很大的权衡。
2021-10-22 cs.CR cs.LG
Auxiliary-Classifier GAN for Malware Analysis
San Jose State University（圣何塞州立大学）
生成对抗网络（GAN）是一类强大的机器学习技术，其中生成和判别模型同时训练。例如，GANs已被用于成功生成“深度假”图像。恶意软件研究的最新趋势包括将可执行文件视为图像并采用基于图像的分析技术。在这项研究中，我们使用辅助分类器GANs（AC-GAN）生成假恶意软件图像，并考虑各种技术对所得图像进行分类的有效性。我们的研究结果表明，由此产生的多类分类问题是具有挑战性的，但我们可以得到强有力的结果时，限制问题区分真实和虚假样本。虽然AC-GAN生成的图像通常看起来与真实的恶意软件图像非常相似，但我们得出结论，从深度学习的角度来看，AC-GAN生成的样本不会上升到深度伪造恶意软件图像的水平。
2021-07-04 cs.CR cs.LG
EMBER2024 -- A Benchmark Dataset for Holistic Evaluation of Malware Classifiers
Laboratory for Physical Sciences（物理科学实验室）
EMBER2024数据集包含超320万个文件，覆盖六种格式和七类分类任务，并首次引入规避性恶意软件挑战集及特征版本3，用于恶意软件分类器的整体评估。
2025-06-05 cs.CR cs.LG
Beyond the Wrapper: Identifying Artifact Reliance in Static Malware Classifiers using TRUSTEE
School of Informatics, Computing, and Cyber Systems（信息学、计算与网络安全学院）；Northern Arizona University（北亚利桑那大学）
本文提出TRUSTEE框架，通过后验可解释性工具和手动分析，发现静态恶意软件分类器易受数据集组成影响，误将打包特征视为恶意行为。
2026-05-07 cs.CR cs.LG
Automated Poisoning Attacks and Defenses in Malware Detection Systems: An Adversarial Machine Learning Approach
移动恶意软件的演变对智能手机安全构成了严重威胁。如今，复杂的攻击者可以通过污染训练数据来最大限度地破坏机器学习分类器，从而使最新的基于机器学习的恶意软件检测工具（如Drebin，DroidAPIMiner和MaMaDroid）无效。在本文中，我们探讨了构建精心制作的恶意软件样本的可行性;研究了机器学习分类器如何在三种不同的威胁模型下被误导;然后得出结论，将精心制作的数据注入训练数据会显着降低检测准确性。为了解决这个问题，我们提出了KuafuDet，这是一种两阶段的学习增强方法，通过对抗性检测来学习移动恶意软件。KuafuDet包括从训练集中选择和提取特征的离线训练阶段，以及利用第一阶段训练的分类器的在线检测阶段。为了进一步解决对抗性环境，这两个阶段通过自适应学习方案交织在一起，其中引入自动伪装检测器来过滤可疑的假阴性并将其反馈到训练阶段。我们最终证明，KuafuDet可以显着减少假阴性，并将检测精度提高至少15%。在超过250，000个移动应用程序上的实验表明，KuafuDet是可扩展的，并且可以作为一个独立的系统非常有效。
2017-10-31 cs.CR
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
Deciphering Malware's use of TLS (without Decryption)
恶意软件使用TLS对网络威胁检测提出了新的挑战，因为传统的模式匹配技术不再适用于其消息。然而，TLS还引入了一组复杂的可观察数据特征，允许对客户端和服务器进行许多推断。我们表明，这些功能可用于检测和理解恶意软件通信，同时保护加密的良性使用的隐私。这些数据特征还允许网络通信的准确恶意软件家族归属，即使仅限于单个加密流。为了证明这一点，我们对TLS如何被恶意软件和企业应用程序使用进行了详细的研究。我们提供了对数百万TLS加密流的一般分析，以及对18个恶意软件家族的有针对性的研究，这些恶意软件家族由数千个独特的恶意软件样本和数万个恶意TLS流组成。重要的是，我们识别并适应使用恶意软件沙箱所带来的偏见。恶意软件分类器的性能与恶意软件家族对TLS的使用相关，即，积极发展其密码学使用的恶意软件家族更难以分类。我们的结论是，恶意软件的TLS的使用是不同的良性使用在企业环境中，这些差异可以有效地用于规则和机器学习分类器。
2016-07-06 cs.CR
Sequential Embedding-based Attentive (SEA) classifier for malware classification
National University of Computer and Emerging Sciences（国立计算机与新兴科学大学）；NED University of Engineering and Technology（NED工程技术大学）
智能设备的巨大增长带来了一些安全威胁。最突出的威胁之一是恶意软件，也称为恶意软件。恶意软件有能力破坏设备并破坏整个网络。因此，及早发现和减轻其影响对于避免灾难性影响极为重要。在这项工作中，我们提出了一个使用最先进的自然语言处理（NLP）技术进行恶意软件检测的解决方案。我们的主要重点是提供一个轻量级的，但有效的恶意软件检测分类器，可用于异构设备，无论是资源约束设备或资源丰富的机器。我们提出的模型进行了测试的基准数据集的准确性和日志损失得分分别为99.13%和0.04。
2023-02-11 cs.CR cs.LG
Beyond the TESSERACT:Trustworthy Dataset Curation for Sound Evaluations of Android Malware Classifiers
King’s College London（伦敦国王学院）；Technische Universität Berlin（柏林工业大学）；BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所）；HiddenLayer, Inc.（HiddenLayer公司）；Technische Universität Wien（维也纳工业大学）；University College London（伦敦大学学院）
本文探讨了Android恶意软件分类器评估中数据集编纂的重要性，识别了五个影响性能差异的新因素，提出了可信数据集编纂的方法。
2026-03-23 cs.CR
On the Performance of Malware Detection Classifiers Using Hardware Performance Counters
University of California（加利福尼亚大学）；ECE Department（电子与计算机工程系）
该研究提出用硬件性能计数器（HPC）结合机器学习分类器进行运行时恶意软件检测，采用集成学习技术减少所需HPC数量，实验表明其性能优于或匹配更多HPC的标准检测器，提升了处理器效率。
2026-08-05 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
Explainable Deep Learning Models for Dynamic and Online Malware Classification
本研究训练FFNN和CNN模型，结合SHAP、LIME和置换重要性等可解释性工具，对动态和在线环境中的恶意软件进行分类，并评估全局与局部解释，旨在提升模型决策的透明度与可解释性。
2024-04-18 cs.CR
Trigger Value Selection in Clean-Label Malware Backdoors: An Effectiveness-Detectability Analysis
The University of Electro-Communications（电气通信大学）
本文研究干净标签恶意软件后门攻击中触发值选择的影响，在EMBER数据集上评估多种选择策略，发现激进选择器攻击成功率高但易被检测，合理选择器可平衡攻击有效性与可检测性。
2026-10-16 cs.CR
Jigsaw Puzzle: Selective Backdoor Attack to Subvert Malware Classifiers
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
恶意软件分类器容易受到训练时间的利用，因为需要定期使用从野外收集的样本进行重新训练。最近的工作已经证明了针对恶意软件分类器的后门攻击的可行性，但这种攻击的隐蔽性还没有得到很好的理解。在本文中，我们在清洁标签设置（即，攻击者不能完全控制训练或标记过程）。从经验上讲，我们表明，现有的后门攻击的恶意软件分类仍然是检测到最近的防御，如MNTD。为了提高隐蔽性，我们提出了一种新的攻击，拼图（JP），基于恶意软件作者几乎没有动机保护任何其他作者的恶意软件，但他们自己的关键观察。因此，Jigsaw Puzzle学习触发器以补充恶意软件作者的样本的潜在模式，并且仅当触发器和潜在模式在样本中拼凑在一起时才激活后门。我们进一步关注问题空间中可实现的触发器（例如，软件代码）使用广泛从良性软件中获取的字节码小工具。我们的评估证实，拼图是一个有效的后门，仍然隐形对国家的最先进的防御，是一个威胁，在现实的设置，远离推理功能空间只有攻击。最后，我们探索有前途的方法来提高后门防御。
2022-02-11 cs.CR cs.LG
Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples
针对Windows恶意软件检测中的概念漂移问题，提出利用图神经网络与对抗性域适应学习漂移不变特征的新方法，显著提升了在少量样本下对真实漂移恶意软件的检测与分类性能。
2024-12-19 cs.CR
Leveraging VAE-Derived Latent Spaces for Enhanced Malware Detection with Machine Learning Classifiers
School of Computer Science, University of Sunderland（Sunderland大学计算机科学学院）；Department of Computing, Goldsmiths, University of London（伦敦大学Goldsmiths学院）
本文评估了五种机器学习分类器结合 Variational Autoencoder 提取的潜在特征在恶意软件检测中的性能，发现集成方法表现略优，且该潜在表示显著降低了计算成本和超参数调整需求，提升了模型部署效率。
2025-04-30 cs.CR cs.LG
Network-based Analysis and Classification of Malware using Behavioral Artifacts Ordering
使用运行时执行工件来识别恶意软件及其相关家族是安全领域中的既定技术。文献中的许多论文依赖于来自网络、文件系统或注册表交互的显式特征。虽然有效，但这些细粒度数据点的使用使得这些技术在计算上昂贵。此外，签名和密码学经常被随后的恶意软件作者规避。在这项工作中，我们提出Chatter，一个系统，只关心的顺序，高层次的系统事件发生。单个事件被映射到一个字母表上，执行跟踪通过这些字母的简洁连接来捕获。然后，利用分析师标记的恶意软件语料库，应用n-gram文档分类技术来产生预测恶意软件家族的分类器。本文介绍了该技术及其概念验证评估。在其原型形式中，只考虑网络事件，并使用11个恶意软件家族。我们证明了该技术在隔离时达到了83%-94%的准确率，并且当与组合顺序特征的基线分类器集成时，可以实现非平凡的性能改进，从而达到高达98.8%的准确率。
2019-01-04 cs.CR
MalMixer: Few-Shot Malware Classification with Retrieval-Augmented Semi-Supervised Learning
Vanderbilt University（范德堡大学）；Stanford University（斯坦福大学）
针对现有恶意软件分类器依赖大量人工分析样本的问题，提出MalMixer，通过领域知识感知数据增强的检索增强半监督学习，在稀疏训练数据下实现少样本恶意软件家族分类的最先进性能。
2025-04-17 cs.CR cs.LG
Explainable Artificial Intelligence (XAI) for Malware Analysis: A Survey of Techniques, Applications, and Open Challenges
North Carolina Agricultural and Technical State University（北卡罗来纳农工州立大学）；Tennessee Tech University（田纳西理工大学）
本文系统综述了可解释人工智能（XAI）在恶意软件分析中的技术、应用与开放挑战，旨在帮助研究者在保持检测性能的同时提升模型可解释性。
2025-04-03 cs.AI cs.CR
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
Attack and Defense of Dynamic Analysis-Based, Adversarial Neural Malware Classification Models
最近，研究人员提出使用基于深度学习的系统进行恶意软件检测。不幸的是，所有深度学习分类系统都容易受到对抗攻击的攻击。先前的工作已经研究了针对基于静态分析的恶意软件分类器的对抗攻击，所述恶意软件分类器仅对未知文件的内容进行分类而不执行。然而，由于大多数恶意软件被打包或加密，基于静态分析的恶意软件分类通常无法检测到这些类型的文件。为了克服这种限制，反恶意软件公司通常通过在反恶意软件引擎中仿真每个文件或在虚拟机中执行深入扫描来执行动态分析。这些策略允许在解包或解密后分析恶意软件。在这项工作中，我们研究了不同的策略制作对抗样本的动态分析。这些策略对稀疏的二进制输入进行操作，而不是像图像中的像素这样的连续输入。然后，我们研究了两个先前提出的防御机制对精心制作的对抗性样本的影响，包括蒸馏和合奏防御。我们还提出并评估了权重衰减防御。实验表明，与没有任何防御的标准基线系统相比，使用这三种防御策略，成功制作的对抗样本的数量减少了。特别是，整体防御是最有弹性的对抗攻击。重要的是，这些防御措施都没有显著降低检测恶意软件的分类准确性。最后，我们证明，虽然添加额外的隐藏层的神经模型并没有显着提高恶意软件分类的准确性，它显着增加分类器的鲁棒性对抗攻击。
2017-12-16 cs.CR
An effective approach for classification of advanced malware with high accuracy
Birla Institute of Technology and Science（贝拉技术科学学院）
对抗恶意软件对于软件/系统安全非常重要，但是防止软件/系统受到高级恶意软件（即变形恶意软件）的攻击是一项具有挑战性的任务，因为它在每次感染后都会改变结构/代码。因此，在本文中，我们提出了一种新的方法来检测先进的恶意软件，通过分析的操作码（功能）分组的可执行文件的发生率具有较高的准确性。这些组是基于我们早期的研究[1]，即流行的高级恶意软件工具包（即PS-MPC，G2和NGVCK）生成的任何两个恶意软件的大小之间的差异在5 KB以内。在获得有前途的功能的基础上，我们研究了13个分类器的性能，使用N折交叉验证机器学习工具WEKA。在这13个分类器中，我们深入研究了排名前五的分类器（随机森林，LMT，NBT，J 48和FT），并获得了超过96.28%的未知恶意软件检测准确率，这优于Santos等人（2013）报告的最大检测准确率（95.9%）。在这前五个分类器中，我们的方法通过随机森林获得了97.95%的检测准确率。
2016-06-22 cs.AI cs.CR
Imbalanced malware classification: an approach based on dynamic classifier selection
Centro de Informática Universidade Federal de Pernambuco（伯南布哥联邦大学信息中心）；École de technologie supérieure Université du Québec（魁北克大学高等技术学院）
针对恶意软件检测中的类别不平衡问题，提出一种针对分类器池中每个分类器单独工作的平衡程序，实证表明基于Random Forest池的KNOP算法效果最佳，且平衡降低了少数类难度并增强了恶意软件检测。
2025-04-05 cs.CR cs.LG
On the Effectiveness of Adversarial Training on Malware Classifiers
University of Luxembourg（卢森堡大学）；King’s College London（伦敦大学国王学院）；TU Wien（维也纳技术大学）；University College London（伦敦大学学院）；Ruhr University Bochum（波鸿鲁尔大学）
本文提出Rubik框架系统评估对抗训练在恶意软件分类中的有效性，揭示模型架构和特征空间结构对鲁棒性的影响，并提出实践建议。
2025-11-26 cs.CR cs.LG
Detecting Concept Drift in Evolving Malware Families Using Rule-Based Classifier Representations
Faculty of Information Technology Czech Technical University（捷克技术大学信息科技学院）；Department of Computer Science, San Jose State University（圣何塞州立大学计算机科学系）
本文提出利用决策树规则集检测恶意软件分类中的概念漂移，通过时间窗口和特征重要性等指标评估，发现固定两个月窗口和特征皮尔逊相关性是最可靠配置，所有家族对均产生正漂移-准确率相关性。
2026-04-24 cs.CR cs.LG
Stealing and Evading Malware Classifiers and Antivirus at Low False Positive Conditions
Czech Technical University in Prague（捷克布拉格技术大学）
本文针对低误报率下的恶意软件检测模型与杀毒软件，提出dualFFNN代理架构及融合迁移与主动学习的FFNN-TL窃取攻击，并验证其可高效构建高一致代理并生成规避样本。
2023-06-04 cs.AI cs.CR
Explanation-Guided Backdoor Poisoning Attacks Against Malware Classifiers
Northeastern University（东北大学）；FireEye Inc.（火眼公司）；Xailient Inc.（Xailient公司）
用于基于机器学习（ML）的恶意软件分类的训练管道通常依赖于众包威胁源，从而暴露出自然的攻击注入点。在本文中，我们研究了基于特征的ML恶意软件分类器对后门中毒攻击的敏感性，特别关注具有挑战性的“干净标签”攻击，其中攻击者不控制样本标签过程。我们建议使用可解释的机器学习技术来指导相关特征和值的选择，从而以与模型无关的方式创建有效的后门触发器。使用多个参考数据集进行恶意软件分类，包括Windows PE文件，PDF和Android应用程序，我们展示了对各种机器学习模型的有效攻击，并评估了对攻击者施加的各种约束的影响。为了证明我们的后门攻击在实践中的可行性，我们为Windows PE文件创建了一个水印实用程序，保留了二进制文件的功能，我们利用类似的行为保留更改方法为Android和PDF文件。最后，我们实验了潜在的防御策略，并展示了完全防御这些攻击的困难，特别是当攻击与合法的样本分布相融合时。
2021-01-11 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
Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification
University College London（伦敦大学学院）；Zhejiang University（浙江大学）
针对安卓恶意软件分类中的概念漂移问题，提出DREAM系统，通过整合分类器与专家知识到对比自编码器潜在空间，提升漂移检测准确率并降低标注成本，在Drebin分类器更新中效果显著。
2025-05-24 cs.AI cs.CR
A Comparison of State-of-the-Art Techniques for Generating Adversarial Malware Binaries
U.S. Naval Research Laboratory（美国海军研究实验室）；George mason university（乔治梅森大学）
我们考虑由网络攻击者生成对抗性恶意软件的问题，其中攻击者的任务是策略性地修改现有二进制恶意软件文件内的某些字节，使得修改后的文件能够逃避恶意软件检测器，例如基于机器学习的恶意软件分类器。我们已经评估了三种最近的对抗性恶意软件生成技术，这些技术使用从单个公开可用的恶意软件数据集中提取的二进制恶意软件样本，并比较了它们逃避基于机器学习的恶意软件分类器MalConv的性能。我们的研究结果表明，在比较的技术，最有效的技术是一个战略性地修改字节在二进制文件的头部。最后，我们讨论了关于对抗性恶意软件生成的经验教训和未来的研究方向。
2021-11-22 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
Towards Malware Detection via CPU Power Consumption: Data Collection Design and Analytics (Extended Version)
本文提出了一种实验设计和数据分析方法，旨在基于功率的恶意软件检测通用计算机。利用恶意软件执行必须消耗电力的事实，我们探索了可以通过电力数据分析准确检测恶意软件的假设。我们的实验设计和实现允许使用五种不同的rootkit在未感染和感染状态下为固定任务编程收集CPU功率配置文件。为了表征功耗曲线，我们使用简单的统计和新颖的，复杂的功能。我们测试一类异常检测集成（基线未感染的电源配置文件）和几个基于内核的SVM分类器（未感染和感染的配置文件上的训练）在检测以前看不见的恶意软件和干净的配置文件。异常检测系统在使用所有特征和任务时表现出完美的检测，具有比监督分类器更小的误检率。主要的贡献是概念证明，固定任务的基线能力可以提供准确的rootkit检测。此外，我们的治疗提出了实验所需的工程障碍，并允许单独分析每个统计特征。这项工作似乎是迈向一个可行的基于功率的检测能力的通用计算机的第一步，并提出了实现这一目标的下一步。
2018-05-16 cs.CR
High-Precision APT Malware Attribution with Out-of-Scope Resilience
Department of Computer Science, University of Oxford（1 奥克斯福德大学计算机科学系）
提出基于排名二元分类器与显式弃权的APT恶意软件归因方法，在越界样本占比87%时仍保持92%精度和95%选择性准确率。
2026-06-02 cs.AI cs.CR cs.LG
