Antiforensic techniques deployed by custom developed malware in evading anti-virus detection
恶意软件和防病毒检测工具的功能都有所提高。恶意软件的目的是逃避检测，而防病毒是检测恶意软件。随着时间的推移，检测技术从简单的静态签名匹配反启发式分析发展到机器学习辅助算法。本文描述了恶意软件部署的几层防病毒规避措施，并对规避成功率进行了分析。本研究的科学贡献在于恶意软件使用的以下技术-用于识别Windows操作系统功能的新算法，新的自定义开发的混淆和去混淆例程以及在反启发式检测中使用USB和声音设备枚举。新的PE突变引擎促进了恶意软件静态签名的变化。在评估的下一阶段，反病毒引擎将测试恶意软件规避能力。本地安装的防病毒应用程序和两个多扫描程序在线引擎检查提交的恶意软件样本。论文检验了结果，并讨论了每种逃避技术的优点和缺点。
2019-06-14 cs.CR
From Malware Signatures to Anti-Virus Assisted Attacks
尽管反病毒软件在过去十年中有了显著的发展，但基于字节模式的经典签名匹配仍然是识别安全威胁的流行概念。防病毒特征码是一种简单快速的检测机制，可以补充更复杂的分析策略。然而，如果签名设计得不小心，它们可能会从防御机制变成攻击工具。在本文中，我们提出了一种新的方法，从反病毒软件中自动提取的签名，并演示了如何提取的签名可以用来攻击敏感的数据与援助的病毒扫描程序本身。我们研究了我们的方法使用四个商业产品的实用性，并举例讨论了一种新的攻击向量，使设计不充分的签名。我们的研究表明，有一个迫切需要改进的模式为基础的签名，如果用于反病毒软件，并追求替代检测方法，在这样的产品。
2016-10-19 cs.CR
AVMiner: Expansible and Semantic-Preserving Anti-Virus Labels Mining Method
随着恶意软件种类和数量的增加，迫切需要加快对恶意软件的诊断和分析。从在线反病毒引擎提供的AV（防病毒）标签中提取与恶意软件家族相关的令牌，为预诊断恶意软件铺平了道路。自动提取AV标签中的重要信息将大大提高安全企业的检测能力，并装备安全分析师的研究能力。最近的工作，如AVCLASS和AVCLASS2试图提取的AV标签的恶意软件的属性，并建立基于专家知识的分类。然而，由于复杂的恶意行为的不确定性的趋势，系统需要以下能力来面对的挑战：保持重要的语义，可扩展性，并从专家知识的自由。在这项工作中，我们提出了AVMiner，一个可扩展的恶意软件标记系统，可以从AV标签中挖掘最重要的令牌。AVMiner采用自然语言处理技术和聚类方法生成一个没有专家知识的令牌序列，按重要性排序。AVMiner可以在新样本到来时进行自我更新。最后，我们对来自已知数据集的8，000多个样本进行了评估，这些样本具有手动标记的地面真实值，其性能优于以前的作品。
2022-08-30 cs.CR
Protecting Anti-virus Programs From Viral Attacks
在病毒和反病毒之间的战斗中，并不总是可以预测反病毒会获胜。有许多恶意病毒的目标是攻击和瘫痪的反病毒。反病毒软件必须在其自身的文件被恶意软件检测到并销毁之前检测并销毁恶意软件。反病毒软件可能会遵循彻底的测试和审计程序，以修复所有错误，然后才在市场上发布软件。此外，反病毒软件可能会使用所有的混淆技术，如多态性，病毒通常使用这些技术来隐藏它们的代码。本文还介绍了如何使用TRIZ发明标准来解决病毒对反病毒的危害。
2013-07-24 cs.CR
Beyond the Virus: A First Look at Coronavirus-themed Mobile Malware
随着2019冠状病毒病疫情于二零二零年初出现，一些恶意行为者开始利用这一话题。尽管有少数媒体报道提到了以冠状病毒为主题的移动恶意软件的存在，但研究界缺乏对以冠状病毒为主题的移动恶意软件的了解。在本文中，我们首次系统地研究了以冠状病毒为主题的Android恶意软件。我们首先努力创建一个每日增长的COVID-19主题移动应用程序数据集，截至2020年11月中旬，该数据集包含4，322个COVID-19主题apk样本（2，500个独特应用程序）和611个潜在恶意软件样本（370个独特恶意应用程序）。然后，我们从多个角度对它们进行了分析，包括趋势和统计数据，安装方法，恶意行为以及背后的恶意行为者。我们观察到，COVID-19主题应用程序以及恶意应用程序几乎在全球疫情爆发后就开始蓬勃发展。大多数恶意应用程序都使用相同的应用程序标识符（例如，应用程序名称、包名称和应用程序图标）。他们的主要目的要么是窃取用户的私人信息，要么是通过使用网络钓鱼和勒索等手段获利。此外，只有四分之一的COVID-19恶意软件创建者是长期活跃的习惯性开发者，而其中75%是这一流行病的新手。恶意开发者主要位于美国，主要针对英语国家，中国，阿拉伯国家和欧洲等国家。为了促进未来的研究，我们已向研究界公开发布了所有标记良好的COVID-19主题应用程序（和恶意软件）。到目前为止，全球已有30多家研究机构要求我们提供数据集，用于…
2021-04-18 cs.CR
On labeling Android malware signatures using minhashing and further classification with Structural Equation Models
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Telefónica Digital Identity & Privacy（西班牙电信数字身份与隐私部门）
多扫描程序防病毒系统提供有关可疑应用程序性质的深入信息;然而，不同的防病毒引擎之间往往缺乏共识和一致性。在这篇文章中，我们分析了超过25万恶意软件签名生成的61个不同的反病毒引擎后，分析了82万不同的Android恶意软件应用程序。我们确定了41种不同的恶意软件类别，分为三大类，即广告软件，有害威胁和未知或通用签名。我们进一步调查这41类之间的关系，使用社区发现算法从图论中识别它们之间的相似性，我们最后提出了一个结构方程模型，以确定哪些反病毒引擎更强大的检测每个宏类别。作为一个应用程序，我们展示了这些模型如何帮助识别未知恶意软件应用程序是否更有可能是有害的或广告软件类型。
2017-09-13 cs.AI cs.CR stat.ML
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
Static Semantics Reconstruction for Enhancing JavaScript-WebAssembly Multilingual Malware Detection
针对JavaScript-WebAssembly多语言恶意软件，提出JWBinder技术，通过跨语言数据流分析和统一依赖图增强静态检测，将VirusTotal检测率从49.1%提升至86.2%。
2024-04-19 cs.CR cs.SE
Building an Adversarial Malware Dataset by Family and Type: Generation, Evasion, and Poisoning Evaluation
Department of Information Security, Faculty of Information Technology, Czech Technical University in Prague（信息安全系，信息技术学院，布拉格捷克技术大学）
基于RawMal-TF真实恶意软件数据集，使用对抗性生成器构建家族和类型标记的对抗性PE文件，评估逃避率和投毒攻击影响。
2026-05-25 cs.CR cs.LG
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
Self-Supervised Learning for Android Malware Detection on a Time-Stamped Dataset
Mastercard Canada（Mastercard加拿大）
针对机器学习检测器的时间偏差问题，构建时间戳数据集并采用BYOL自监督预训练，在时间感知评估下达到98%准确率和89%F1分数。
2026-06-04 cs.CR cs.LG
Privacy and Security Risks of "Not-a-Virus" Bundled Adware: The Wajam Case
关于恶意代码的全面案例研究主要集中在僵尸网络和蠕虫（最近随着物联网设备的出现而复活）、恶意软件或高级持久性威胁的突出部分、漏洞利用工具包和勒索软件。然而，广告软件很少受到这样的关注。以前对“不需要的”Windows应用程序（包括广告软件）的研究倾向于广泛的分析，揭示不同参与者和分发方法之间的联系。在本文中，我们展示了一个特别成功和活跃的广告软件业务的能力，隐私和安全风险，以及流行程度：Wajam，通过跟踪其近六年的发展。我们首先研究了它的多层防病毒规避能力，这是已知和新适应技术的组合，确保其日常变体的低检测率，以及突出的功能，例如，流量拦截和浏览器进程注入。然后，我们研究受感染用户的隐私和安全影响，包括浏览器历史记录的明文泄漏和高度流行网站上的关键字搜索，以及HTTPS网页上的任意内容注入和远程代码执行漏洞。最后，我们研究了Wajam的流行程度，通过其域的普及。广告软件曾经被认为与间谍软件一样严重，现在仅仅被称为“非病毒”、“可选”或“不受欢迎”，尽管其负面影响正在增长。我们强调，广告软件问题已经被忽视太久了，它可以达到（甚至超过）常规恶意软件的复杂性和影响，并对用户构成隐私和安全风险，比许多知名和经过彻底分析的恶意软件家族更严重。
2019-05-17 cs.CR
Exploring Optimal Deep Learning Models for Image-based Malware Variant Classification
The University of Tokyo（东京大学）
分析大量的恶意软件是安全分析师的主要负担。由于新出现的恶意软件通常是现有恶意软件的变体，因此将恶意软件自动分类到已知家族中可以大大减轻其负担。基于图像的恶意软件分类与深度学习是一个有吸引力的方法，其简单性，多功能性，并与最新技术的亲和力。然而，深度学习模型的差异和迁移学习的程度对恶意软件变体分类准确性的影响尚未得到充分研究。在本文中，我们在两个平台上使用24个ImageNet预训练模型和5个微调参数，共计120种组合，对深度学习模型进行了详尽的调查。因此，我们发现，通过微调一个最新的深度学习模型，以相对较低的迁移学习程度获得了最高的分类准确率，并且我们在Malimg和Drebin数据集上的交叉验证中实现了有史以来最高的分类准确率。我们还证实，这一趋势适用于最近使用VirusTotal 2020 Windows和Android数据集的恶意软件变体。实验结果表明，通过从一半逐渐减少迁移学习的程度，使用最新的模型和恶意软件数据集定期探索最佳的深度学习模型是有效的。
2022-10-23 cs.CR cs.LG
Multi-feature Dataset for Windows PE Malware Classification
本文描述了一个多特征数据集，用于训练机器学习分类器，以检测恶意Windows可移植可执行文件（PE）。该数据集包括来自18，551个二进制样本的四个特征集，这些样本属于五个恶意软件家族，包括恶意软件，勒索软件，下载器，后门和通用恶意软件。功能集包括DLL及其函数的列表，PE Header和Sections的不同字段的值。首先，我们解释数据汇集和创建阶段，然后我们解释如何使用VirusTotal的服务标记其中的样本。最后，我们探索数据集，以描述该数据集如何使研究人员能够进行静态恶意软件分析。该数据集被公开，希望它将有助于激发恶意软件检测的机器学习研究。
2022-10-28 cs.CR
A Benchmark API Call Dataset for Windows PE Malware Classification
使用操作系统API调用是在Windows操作系统中检测PE型恶意软件的一项有前途的任务。此任务被正式定义为在隔离的沙箱环境中运行恶意软件，记录使用Windows操作系统进行的API调用，并按顺序分析这些调用。在此，我们分析了7107不同的恶意软件属于不同的家庭，如病毒，后门，木马在一个隔离的沙箱环境中，并将这些分析结果转化为一种格式，其中不同的分类算法和方法可以使用。首先，我们将解释我们如何得到恶意软件，然后我们将解释我们如何将这些软件捆绑到家庭中。最后，我们将描述如何使用不同的计算方法来执行恶意软件分类任务，以便研究人员使用我们创建的数据集。
2021-02-21 cs.CR
Malware-on-the-Brain: Illuminating Malware Byte Codes with Images for Malware Classification
恶意软件是一种旨在对数据、设备或人员造成伤害的软件。由于许多新的恶意软件变种可以通过重用代码生成，恶意软件攻击可以很容易地发起，因此近年来变得很常见，给企业、政府、金融机构、医疗服务提供商等带来了巨大的损失。然而，现有的工作，无论是采用静态分析或动态分析的逆向工程复杂和耗时的任务有重大的弱点。在本文中，我们提出了一个可视化的恶意软件分类框架称为VisMal，它提供了高效的分类与可接受的准确性。VisMal将恶意软件样本转换为图像，然后应用对比度有限的自适应直方图均衡算法来增强同一家族中恶意软件图像区域之间的相似性。我们提供了一个概念验证的实现，并进行了广泛的评估，以验证我们的框架的性能。评估结果表明，VisMal可以在4.0ms内对恶意软件样本进行分类，平均准确率为96.0%。此外，VisMal为安全工程师提供了一种简单的可视化方法，以进一步验证其性能。
2022-03-09 cs.CR
Feature importance in mobile malware detection
Android平台上的移动恶意软件检测在过去几年中引起了广泛关注。然而，虽然已经对移动恶意软件检测技术进行了大量的研究，但很少关注特征选择和特征重要性。也就是说，当涉及到机器学习分类时，哪个应用程序功能更重要。在简洁地调查了2012年至2020年期间文献中最先进的恶意软件检测工作所使用的所有主要数据集之后，我们分析了来自最现代和最流行的数据集的大量应用程序，即Drebin，VirusShare和AndroZoo。接下来，我们使用信息增益算法对上述所有三个数据集的应用分类功能的重要性进行排名。
2020-08-28 cs.CR
Assemblage: Automatic Binary Dataset Construction for Machine Learning
Syracuse University（雪城大学）；Booz Allen Hamilton（博兹·艾伦·汉密尔顿公司）；University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；Laboratory for Physical Sciences（物理科学实验室）
针对二进制分析领域高质量良性二进制语料获取困难的问题，提出可扩展的云端分布式系统Assemblage，可自动构建多配置的Windows PE和Linux ELF二进制数据集，实验验证了其对训练学习型二进制分析模型的实用价值，代码与数据集均已开源。
2024-11-02 cs.CR cs.LG
MEADE: Towards a Malicious Email Attachment Detection Engine
恶意电子邮件附件是恶意软件日益增长的传递载体。虽然机器学习已成功应用于便携式可执行（PE）恶意软件检测，我们问，我们是否可以扩展类似的方法来检测常见于电子邮件附件中的异构文件类型的恶意软件？在本文中，我们探讨了应用机器学习作为静态对策来检测几种类型的恶意电子邮件附件，包括Microsoft Office文档和Zip档案的可行性。为此，我们从VirusTotal收集了超过500万个恶意/良性Microsoft Office文档的数据集进行评估，并从Common Crawl语料库中收集了良性Microsoft Office文档的数据集，我们使用这些数据集来提供更现实的阈值估计，以获得野生数据的误报率。我们还收集了大约50万个恶意/良性Zip存档的数据集，我们使用VirusTotal服务对其进行了单独的评估。我们使用首次出现时70/30的训练/测试划分来分析每个VirusTotal数据集上几个分类器的预测性能，评估已成功应用于商业反恶意软件产品和研发环境的特征和分类器类型。使用深度神经网络和梯度提升决策树，我们能够在Microsoft Office文档和Zip存档数据集上获得AUC> 0.99的ROC曲线。在各种反恶意软件的上下文中提供部署的可行性的讨论。
2018-04-22 cs.CR
A compartmental model for cyber-epidemics
在我们这个越来越相互关联的世界中，一个具体的风险是网络流行病（或网络大流行病），这是意外或故意产生的，网络病毒在设备之间传播，破坏全球互联网系统，造成经济成本和与关闭基本服务有关的社会危害方面的破坏性后果。我们引入了一个隔间模型，用于研究恶意软件的传播，以及通过在同一图形结构（连接设备的全球网络）上演变的不同波来了解其发病率。这是通过考虑由两个组件组成的矢量隔间来实现的，第一个组件描述了设备相对于新恶意软件传播的状态，第二个组件考虑了设备用户对网络威胁存在的意识。通过在这些隔间之间引入合适的转换速率，人们可以跟踪网络流行病的演变，从新病毒在网络中播种的那一刻起，直到给定用户意识到他/她的设备受到损坏并因此开始意识到最终以开发适当的防病毒软件而结束。然后，我们比较了一个恶意软件能够在Erdens-Rényi和无标度网络架构中产生的整体损害，无论是在病毒对每个设备造成固定损害的情况下，还是在病毒被设计为在设备之间复制时变异的情况下。我们的结果实际上构成了试图建立一个特定的房室模型，其变量和参数是完全定制的描述网络流行病。
2022-05-17 cs.CR
Malware Makeover: Breaking ML-based Static Analysis by Modifying Executable Bytes
Carnegie Mellon University（卡内基梅隆大学）；Tel Aviv University（特拉维夫大学）；VMware；Duke University（杜克大学）；NortonLifeLock Research Group（NortonLifeLock研究组）
受深度神经网络（DNN）在各个领域的变革性影响的启发，研究人员和反病毒供应商提出了DNN，用于从原始字节检测恶意软件，不需要手动特征工程。在这项工作中，我们提出了一种将二进制多样化技术和优化框架交织在一起的攻击，以误导这样的DNN，同时保留二进制的功能。与以前的攻击不同，我们的攻击操纵的指令是二进制文件的功能部分，这使得防御特别具有挑战性。我们在白盒和黑盒设置中评估了我们对三个DNN的攻击，发现它经常达到接近100%的成功率。此外，我们发现我们的攻击可以欺骗一些商业反病毒，在某些情况下成功率为85%。我们探索了几种新的和旧的防御方法，并确定了一些可以挫败我们80%以上的逃避尝试的方法。然而，这些防御可能仍然容易受到攻击的规避，因此我们提倡使用不依赖于机器学习的方法来增强恶意软件检测系统。
2021-10-25 cs.CR cs.CV
DroidAnalytics: A Signature Based Analytic System to Collect, Extract, Analyze and Associate Android Malware
智能手机和移动设备正迅速成为许多用户不可或缺的设备。不幸的是，它们也成为黑客部署恶意软件和传播病毒的肥沃土壤。有一个迫切需要有一个“安全分析和取证系统”，可以方便分析师检查，解剖，关联和关联大量的移动应用程序。一个有效的分析系统需要解决以下问题：如何自动收集和管理大量的移动恶意软件？如何分析零日可疑应用程序，并将其与数据库中现有的恶意软件家族进行比较或关联？如何执行信息检索以揭示与现有恶意软件相似的恶意逻辑，并快速识别新的恶意代码段？在本文中，我们提出了DroidAnalytics的设计和实现，基于签名的分析系统，自动收集，管理，分析和提取Android恶意软件。该系统便于分析人员在“操作码级别”检索、关联和揭示恶意逻辑。我们使用150，368个Android应用程序证明了DroidAnalytics的有效性，并成功确定了来自102个不同家族的2，494个Android恶意软件，其中342个是来自6个不同家族的零日恶意软件样本。据我们所知，这是第一个报告的案例，显示了如此大的Android恶意软件分析/检测。评估表明DroidAnalytics是一个有价值的工具，在分析恶意软件重新包装和突变方面非常有效。
2013-09-23 cs.CR
Weaponizing Ground Truth: Data Poisoning Attacks by Exploiting Boundary Misalignment Between Antivirus Software and Learning-Based Detectors
Nankai University（南开大学）；Singapore Management University（新加坡管理大学）；University of Liverpool（利物浦大学）
针对ML恶意软件检测依赖AV标签的弱点，提出Bi-Iocane黑盒投毒框架，通过修改AV敏感字节翻转标签，以极低投毒预算使下游模型对92.08%目标误分类，且现有防御效果有限。
2026-09-28 cs.CR
Single-Shot Black-Box Adversarial Attacks Against Malware Detectors: A Causal Language Model Approach
University of Arizona（亚利桑那大学）；University of South Florida（南佛罗里达大学）
基于深度学习（DL）的恶意软件检测器越来越多地被用于网络安全中恶意行为的早期检测。然而，它们对对抗性恶意软件变体的敏感性引发了巨大的安全问题。防御者生成这种对抗性变体对于提高基于DL的恶意软件检测器对它们的抵抗力至关重要。这种必要性已经引起了机器学习研究的新兴流，对抗性恶意软件示例生成（AMG），其旨在生成保留给定恶意软件的恶意功能的规避性对抗性恶意软件变体。在AMG研究中，黑盒方法比白盒方法得到了更多的关注。然而，大多数黑盒AMG方法需要与恶意软件检测器进行多次交互，以生成对抗性恶意软件示例。鉴于大多数恶意软件检测器强制执行查询限制，这可能会导致生成不现实的对抗性示例，由于缺乏隐身性，这些示例在实践中可能会被检测到。在这项研究中，我们证明了一种新的基于DL的因果语言模型能够实现单发逃避（即，只有一个对恶意软件检测器的查询），这是通过将恶意软件可执行文件的内容作为字节序列处理并训练生成预训练Transformer（GPT）来实现的。我们提出的方法，MalGPT，显着优于领先的基准方法从VirusTotal获得的真实世界的恶意软件数据集，达到超过24.51%的规避率。MalGPT使网络安全研究人员能够通过模拟大规模的真实AMG来开发先进的防御能力。
2021-12-03 cs.AI cs.CR
Eight Years of Rider Measurement in the Android Malware Ecosystem: Evolution and Lessons Learned
尽管Android恶意软件构成的威胁越来越大，但研究社区仍然缺乏对平台上活跃的恶意软件家族暴露的常见行为和趋势的全面了解。如果没有这样的观点，研究人员就有可能开发出只检测过时威胁的系统，而忽略了最新的威胁。在本文中，我们对Android恶意软件行为进行了迄今为止最大规模的测量，分析了八年内（从2010年到2017年）属于1.2K系列的120多万个恶意软件样本。我们的目标是了解Android恶意软件的行为如何随着时间的推移而演变，重点是重新包装恶意软件。在这种类型的威胁中，不同的无害应用程序都带有恶意负载（骑手），允许廉价的恶意软件制造。研究重新打包的恶意软件时面临的主要挑战之一是将应用程序切片，将良性组件与恶意组件分开。为了解决这个问题，我们使用差异分析来隔离与活动无关的软件组件，并单独研究恶意骑手的行为。我们的分析框架依赖于集体知识库和从多个反病毒供应商提取的情报系统化的最新进展。我们发现，自2010年起步以来，Android恶意软件生态系统已经发生了显着变化，无论是恶意样本执行的恶意活动类型，还是恶意软件为避免检测而使用的混淆级别。然后，我们表明，我们的框架可以帮助分析师谁试图研究未知的恶意软件家族。最后，我们讨论了我们的研究结果对Android恶意软件检测研究的意义，强调了研究社区需要进一步关注的领域。
2020-03-19 cs.CR
A Decompilation-Driven Framework for Malware Detection with Large Language Models
本文提出基于大语言模型的反恶意软件检测框架，通过解编和微调提升恶意软件检测效果，但需持续更新以应对新型威胁。
2026-01-14 cs.AI cs.CR
MalTree: Tracing Malware Evolution from Embeddings at Scale
Delft University of Technology（代尔夫特理工大学）
提出MalTree框架，利用生物信息学系统发育技术（UPGMA和邻接法）基于结构、行为和图像特征自动建模恶意软件演化，通过VirusTotal时间戳验证达到87%时间一致性，揭示家族间变异速率差异，支持谱系感知的恶意软件分析。
2026-06-04 cs.AI cs.CR
Query-Free Evasion Attacks Against Machine Learning-Based Malware Detectors with Generative Adversarial Networks
针对黑盒恶意软件检测器现有攻击依赖模型信息或大量查询的问题，提出一种无查询、模型无关的GAN框架，生成更逼真的对抗样本并降低多类检测器及VirusTotal引擎的检出率。
2023-06-16 cs.CR
Early Stage Malware Prediction Using Recurrent Neural Networks
静态恶意软件分析非常适合端点防病毒系统，因为它可以通过检查可执行代码片段的特征并将其与先前观察到的恶意代码进行匹配来快速进行。然而，静态代码分析可能容易受到代码混淆技术的攻击。在文件执行期间收集的行为数据更难混淆，但捕获时间相对较长-通常长达5分钟，这意味着恶意负载可能在检测到时已经交付。在本文中，我们研究的可能性预测是否可执行文件是恶意的行为数据的一个简短的快照的基础上。我们发现，循环神经网络的集合能够在执行的前5秒内预测可执行文件是恶意的还是良性的，准确率为94%。这是第一次在执行期间预测一般类型的恶意文件是恶意的，而不是在执行后使用完整的活动日志文件，并使网络安全端点保护能够提前使用行为数据来阻止恶意有效负载，而不是在执行后检测它们并修复损坏。
2018-06-18 cs.CR
PRISM: PE Relational Inter-Section Matrix. A 2D Section-Aware Dataset for Static PE Malware Detection
Universidad Carlos III de Madrid (UC3M)（马德里卡洛斯三世大学）
提出PRISM数据集，将PE文件编码为二维矩阵以保留节顺序和关系，在低维下达到与EMBER相当的检测性能，并支持家族分类等任务。
2026-06-26 cs.CR
Malware Detection in Docker Containers: An Image is Worth a Thousand Logs
K3Y Ltd（K3Y有限公司）；International Hellenic University（国际希腊大学）；Kingston University（金斯顿大学）；University of Peloponnese（伯罗奔尼撒大学）；Aristotle University of Thessaloniki（亚里士多德大学）；Hellenic Mediterranean University（希腊地中海大学）；University of Western Macedonia（西马其顿大学）
本研究提出将软件容器转换为大型RGB图像，并采用流式、基于补丁的卷积神经网络进行恶意软件检测，同时发布COSOCO数据集，实验表明该方法在F1和Recall上优于VirusTotal引擎集成。
2025-04-04 cs.AI cs.CR cs.CV
AndroTruth: A Reliable Benchmark Android Malware Dataset Derived from Technical Expert Reports
School of Cyber Security, Tianjin University（天津大学网络安全学院）；School of Cyber Science and Technology, Shihezi University（石河子大学网络空间科学与技术学院）；School of Software, Tiangong University（天津工业大学软件学院）；State Grid Xinjiang Electric Power Research Institute（国网新疆电力有限公司电力科学研究院）
针对安卓恶意软件基准标签不可靠问题，构建基于专家报告的AndroTruth数据集，含8,172个样本，验证了标签可靠性对评估的关键影响。
2026-09-09 cs.CR
