AMSI-Based Detection of Malicious PowerShell Code Using Contextual Embeddings
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Microsoft(微软)
PowerShell是一个命令行shell,支持脚本语言。它被广泛用于组织的配置管理和任务自动化,但也越来越多地被网络犯罪分子用于对组织发动网络攻击,主要是因为它预装在Windows机器上,并暴露了攻击者可能利用的强大功能。这使得检测恶意PowerShell代码的问题既紧迫又具有挑战性。微软的反恶意软件扫描接口(AMSI)允许防御系统在执行之前扫描传递给脚本引擎(如PowerShell)的所有代码。在这项工作中,我们使用AMSI提供的信息进行恶意PowerShell代码检测的第一次研究。我们提出了几种新的基于深度学习的恶意PowerShell代码检测器,这些代码采用来自PowerShell“语言”的单词的预训练上下文嵌入。网络安全领域的一个已知问题是,与未标记数据相比,标记数据相对稀缺,这使得难以设计对许多类型的恶意活动的有效监督检测。PowerShell代码也是如此。我们的工作表明,这个问题可以通过学习基于未标记数据的预训练上下文嵌入来缓解。我们使用AMSI从一家大型反恶意软件供应商收集的真实数据来训练和评估我们的模型。我们的性能分析表明,使用未标记的数据进行嵌入显着提高了我们的检测器的性能。我们性能最好的模型使用的架构能够处理字符和标记级别的文本信号,并获得近90%的真阳性率,同时保持低于0.1%的低假阳性率。
2019-09-19 cs.CR cs.LG
ML Study of MaliciousTransactions in Ethereum
本研究针对以太坊中利用智能合约漏洞的恶意交易问题,提出基于操作码+GPT2、Solidity源码+LORA微调CodeLlama的两种恶意合约检测方法,还构建融合gas属性与十六进制签名的XGBOOST模型检测恶意交易。
2024-08-16 cs.CR cs.LG
A Transformer-Based Framework for Payload Malware Detection and Classification
University of West Florida(西佛罗里达大学);Florida Institute For Human and Machine Cognition (IHMC)(佛罗里达人机认知研究所);Center for Cybersecurity, University of West Florida(西佛罗里达大学网络安全中心)
提出基于Transformer的DPI算法,使用原始载荷字节检测并分类恶意流量,在UNSW-NB15和CIC-IOT23数据集上二分类准确率达79%,多分类达72%。
2024-03-27 cs.AI cs.CR cs.LG
Multi-Agent Systems Execute Arbitrary Malicious Code
Cornell Tech(康奈尔科技)
本文揭示了多智能体系统易受对抗性内容劫持的安全漏洞,证明即使单个智能体能抵御提示注入,攻击者仍能通过劫持系统通信诱导其执行任意恶意代码或窃取数据。
2025-09-12 cs.CR cs.LG
Droidetec: Android Malware Detection and Malicious Code Localization through Deep Learning
Android恶意软件检测是构建安全可信系统的关键一步。特别是对潜在恶意代码的人工搜索一直困扰着程序分析人员。在本文中,我们提出了Droidetec,一种基于深度学习的Android恶意软件检测和恶意代码定位方法,将应用程序建模为自然语言序列。Droidetec采用了一种新颖的特征提取方法,从Android应用程序中获取行为序列。在此基础上,利用双向长短期记忆网络进行恶意软件检测。提取的行为序列中的每个单元都被创造性地表示为向量,这使得Droidetec能够自动分析序列片段的语义,并最终找到恶意代码。对9616个恶意程序和11982个良性程序的实验表明,Droidetec达到了97.22%的准确率和98.21%的F1分数。总的来说,Droidetec在正确查找恶意代码段方面的命中率为91%。
2020-02-10 cs.CR
Malicious cryptography techniques for unreversable (malicious or not) binaries
对抗计算机恶意软件需要逆向工程的强制性步骤。一旦代码被分解/反编译(包括动态分析步骤),就有希望了解恶意软件的实际作用并实现检测手段。这也适用于任何希望分析软件的软件保护。在本文中,我们展示了如何通过结合我们实验室开发的恶意密码技术和新类型的编程(k元代码)来保护代码,使工程技术(静态和动态)绝对不可能。合适的加密算法与新的密码分析方法相结合,以简化对(恶意或非恶意)二进制文件的保护,从而能够同时提供总代码防护和大规模多态特性。一个简单的400 Kb的可执行代码能够生成一个二进制代码和$2^{140}$周围的变异形式,同时远远超出了解密器的旧概念。
2010-09-21 cs.CR
PhantomSkill: Malicious Code Injection in Agent Skill Ecosystems
National Yang Ming Chiao Tung University(国立阳明交通大学)
提出PhantomSkill攻击框架,通过VulMask技术将恶意行为隐藏在技能的辅助资源中,利用漏洞形状的实现绕过检测,在保持良性功能的同时降低警告和恶意软件检测率。
2026-06-18 cs.CR
Localizing Malicious Outputs from CodeLLM
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出基于变异的防御方法 FreqRank,通过频率排序定位代码大语言模型输出中的恶意组件及输入中的后门触发器,在多个任务上实现高定位准确率,并显著优于现有防御方法。
2025-09-21 cs.CL cs.CR cs.LG
Explainable Android Malware Detection and Malicious Code Localization Using Graph Attention
本文提出XAIDroid方法,利用图神经网络和图注意力机制对安卓恶意软件API调用图进行建模,自动定位恶意代码片段,从而提升恶意软件分析的可解释性与可扩展性。
2025-03-10 cs.CR
Malicious Code Detection: Run Trace Output Analysis by LSTM
Informatics Institute, Middle East Technical University(中东技术大学信息学研究所)
由于信息和通信技术在日常环境中的应用不断扩大,恶意软件威胁及其检测作为信息安全的一个子领域越来越重要。设计和开发反恶意软件系统的一个主要挑战是检测的覆盖范围,特别是动态分析方法的开发,可以有效地检测多态和变形恶意软件。在本研究中,我们提出了一个方法框架,通过分析运行轨迹输出的长短期记忆(LSTM)检测恶意代码。我们开发了恶意和良性的可移植可执行文件(PE)的运行轨迹模型。我们从PE文件的动态分析获得的运行跟踪输出创建了数据集。所获得的数据集是指令格式的序列,并被称为指令序列模型(ISM)。通过将第一个数据集分割成基本块,我们得到了第二个称为基本块作为序列模型(BSM)。实验结果表明,ISM的准确率为87.51%,假阳性率为18.34%,而BSM的准确率为99.26%,假阳性率为2.62%。
2021-01-14 cs.CL cs.CR cs.LG
From Past to Present: A Survey of Malicious URL Detection Techniques, Datasets and Code Repositories
Hangzhou Institute of Technology,Xidian University,Hangzhou,310000,Zhejiang,China(杭州科技学院,西安电子科技大学,杭州,310000,浙江,中国)
本文综述了恶意URL检测技术,提出基于数据模态的新分类法,系统梳理传统方法到Transformer、GNNs和LLMs等深度学习方法,并整理公开数据集与开源实现,为标准化基准测试和未来研究提供指导。
2025-06-01 cs.CR cs.LG
MOCHA: Are Code Language Models Robust Against Multi-Turn Malicious Coding Prompts?
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出代码分解攻击与 MOCHA 基准,评估代码 LLM 在单轮和多轮恶意提示下的鲁棒性,并证明基于 MOCHA 微调可在保持代码能力的同时提升拒绝率及外部数据集泛化能力。
2025-07-25 cs.AI cs.CL cs.CR
Pelta: Shielding Transformers to Mitigate Evasion Attacks in Federated Learning
University of Neuchâtel(纳沙泰尔大学);University of Rennes 1(雷恩第一大学);Inria(法国国家信息与自动化研究所);IRISA(法国信息与自动化研究所雷恩分所)
本文提出Pelta,利用可信执行环境屏蔽Transformer反向传播部分链式法则,以防御联邦学习中的恶意对抗样本探测,并在集成模型上验证了其对自注意力梯度攻击的有效性。
2023-08-08 cs.CR cs.CV cs.LG
FreeMOCA: Memory-Free Continual Learning for Malicious Code Analysis
Department of Computer Engineering(计算机工程系);Amirkabir University of Technology(阿姆irkabir技术大学);Division of Artificial Intelligence & Software(人工智能与软件系);Ewha Womans University(成均馆大学);Department of Computer Science(计算机科学系);University of Texas at El Paso(德克萨斯理工大学)
FreeMOCA通过参数空间中的自适应层间插值,在恶意代码分析中实现了高效的无内存持续学习,显著提升了分类和领域增量学习的性能,减少了遗忘并提高了准确率。
2026-05-14 cs.CR cs.LG
Malicious Code Detection in Smart Contracts via Opcode Vectorization
School of Cyberspace Security, Hainan University(海南大学网络空间安全学院)
本文提出基于指令码向量化的智能合约恶意代码检测方法,通过特征提取和机器学习模型训练提升检测效果。
2026-01-31 cs.CR
A Reward-driven Automated Webshell Malicious-code Generator for Red-teaming
Beijing Electronic Science and Technology Institute(北京电子科技学院)
提出面向红队的奖励驱动自动化WebShell恶意代码生成器RAWG,通过构建标准化语料库、监督微调开源大模型并应用PPO强化学习,显著提升了生成恶意代码的多样性与逃逸效果。
2025-05-30 cs.AI cs.CR
JavaSith: A Client-Side Framework for Analyzing Potentially Malicious Extensions in Browsers, VS Code, and NPM Packages
JavaSith 是一个客户端框架,结合运行时沙箱、静态分析和本地大语言模型,用于分析浏览器、VS Code 和 NPM 包中的潜在恶意扩展,并通过案例研究证明其能捕获逃避传统检测的隐蔽恶意行为。
2025-05-27 cs.CR
CASHEWS: Source Preprocessor for LLM-based Malicious Package Detection
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Socket Inc.(Socket公司)
CASHEWS是一个JavaScript预处理器,通过去混淆、提取模块和计算反向切片来精简代码,提高LLM恶意包检测覆盖率并降低假阴性率,使大规模分析更实用。
2026-09-17 cs.CR
MalTotal: Cost-Effective and Language-Agnostic Malicious Code Poisoning Detection for Millions of Repositories
Huazhong University of Science and Technology(华中科技大学);Macquarie University(麦考瑞大学)
本文提出MalTotal框架,可跨5种主流语言检测恶意代码,F1值达93.1%,成本大幅降低,在12万个GitHub仓库中发现564个未知恶意仓库,适用于大规模多语言场景。
2026-08-05 cs.CR
Gone Quishing: A Field Study of Phishing with Malicious QR Codes
COVID-19大流行使恶意QR码成为共享URL(包括恶意URL)的方便中间人,从而使“quishing”或网络钓鱼成为可能。为了探索quishing现象,我们进行了一项173名参与者的研究,我们使用了一个带有恶意QR码的COVID-19数字护照注册试验作为借口。我们发现,67%的参与者乐于使用Google或Facebook凭据注册,18.5%的人愿意创建新帐户,只有14.5%的人愿意跳过注册。方便是愿意出示参与者证书的唯一最常被引用的因素。不愿意将个人账户与新服务联系起来是创建新账户或跳过注册的原因。我们还开发了Quishing Awareness Scale(QAS),发现参与者的QR码行为与他们的注册选择之间存在显着关系:选择注册Facebook的人得分最低,而选择跳过的人得分最高。我们使用我们的研究结果,提出quishing意识培训指南,并开发和测试可用的安全指标,警告用户quishing的威胁。
2022-04-08 cs.CR cs.HC
MCGMark: An Encodable and Robust Online Watermark for Tracing LLM-Generated Malicious Code
本文提出MCGMark,一种可编码且鲁棒的在线水印方法,通过控制令牌选择和结构感知嵌入,在DeepSeek-Coder上实现88.9%嵌入成功率,用于追踪LLM生成的恶意代码。
2025-04-21 cs.CR cs.SE
Unveiling Malicious Logic: Towards a Statement-Level Taxonomy and Dataset for Securing Python Packages
The University of Alabama(阿拉巴马大学);University of Dhaka(达卡大学);Auburn University(奥本大学)
本文提出语句级恶意包分类和数据集,通过细粒度指标分类和序列模式挖掘,提升Python包的安全检测与防御能力。
2025-12-14 cs.CR
Leveraging Large Language Models to Detect npm Malicious Packages
North Carolina State University(北卡罗来纳州立大学);Socket, Inc(Socket公司)
本文提出 SocketAI 恶意代码审查工作流,实证评估 GPT-3/GPT-4 检测 npm 恶意包,结合静态分析预筛选,显著提升精确率、F1 并降低分析成本。
2025-01-06 cs.AI cs.CR
Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor
Alibaba Group(阿里巴巴集团);Huazhong University of Science and Technology(华中科技大学);Xi’an International Studies University(西安外国语大学)
恶意软件威胁的行为正在逐渐增加,提高了对恶意软件检测的需求。然而,现有的恶意软件检测方法仅针对已有的恶意样本,对新的恶意代码和恶意代码变种的检测能力有限。在本文中,我们提出了一种新的方案,检测恶意软件及其变种有效。基于生成对抗网络(GANs)的思想,获取符合真实恶意软件特征的“真实”样本分布,利用它们欺骗恶意软件,从而实现对恶意代码攻击的防御,提高恶意软件检测能力。首先,提出了一种新的Android恶意软件APK对图像纹理特征提取的分割方法--分段自生长纹理分割算法。其次,基于低秩的张量奇异值分解(tSVD)将不同大小的恶意特征统一转换为固定的三阶张量,输入神经网络进行训练学习。最后,提出了一种基于带代码张量的GANs(MTFD-GANs)的Android恶意软件检测模型。实验结果表明,该模型总体上优于传统的恶意软件检测模型,最高效率提高了41.6%.同时,GANs生成器新生成的样本极大地丰富了样本多样性。对恶意软件检测器进行再训练,可以有效提高传统模型的检测效率和鲁棒性。
2022-10-25 cs.AI cs.CR cs.LG
Beyond the Surface: Investigating Malicious CVE Proof of Concept Exploits on GitHub
针对 GitHub 上 2017—2021 年 CVE PoC 的可信性问题,本文基于恶意 IP 调用、编码恶意代码和木马化二进制等特征进行检测,发现 47,285 个仓库中有 899 个(1.9%)存在恶意意图。
2023-06-07 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
Breaking Obfuscation: Cluster-Aware Graph with LLM-Aided Recovery for Malicious JavaScript Detection
Electric Power Research Institute, CSG(电力研究院,中国南方电网);Guangdong Provincial Key Laboratory of Power System Network Security(广东省电力系统网络安全重点实验室);Hangzhou Institute of Technology, Xidian University(杭州理工大学)
针对混淆恶意JavaScript检测难题,提出DeCoda混合框架,结合LLM多阶段去混淆生成规范化AST,再用聚类感知图学习层级表示,在两个基准上F1较SOTA提升超10%,假阳性控制表现更优。
2025-07-30 cs.CR cs.LG
Malicious and Unintentional Disclosure Risks in Large Language Models for Code Generation
Digital Safety Research Institute(数字安全研究研究院);UL Research Institutes(UL研究机构)
本文研究了大型语言模型在代码生成训练中可能泄露训练数据中的敏感信息的风险,分析了非故意和恶意披露两种风险,并通过Open Language Model模型评估了不同数据集和模型版本的风险变化。
2025-03-27 cs.CR cs.LG cs.PL
FV8: A Forced Execution JavaScript Engine for Detecting Evasive Techniques
FV8是一个修改的V8引擎,通过强制执行动态代码注入,提高代码覆盖率11%,检测28种规避技术,并在npm和Chrome扩展中识别大量恶意代码,支持递归分析。
2024-05-21 cs.CR
RecAGT: Shard Testable Codes with Adaptive Group Testing for Malicious Nodes Identification in Sharding Permissioned Blockchain
针对分片许可链的节点脆弱性问题,提出融合分片可测码、身份证明协议与自适应群测试的RecAGT方案,可低开销高效识别恶意节点且适配各类分片许可链。
2023-12-12 cs.CR cs.DC
PATCH-FFT: Unmasking Dormant Hardware Trojans with Patch-Based Frequency-Domain Transformers
California State University Long Beach(加州州立大学长滩分校)
研究如何检测集成电路中潜伏的硬件木马,提出基于补丁的变压器架构,利用频域分析电源迹线,使用rFFT转换测量,实验显示该方法平均检测准确率达90.94%,优于现有方法,能检测休眠木马。
2026-07-28 cs.CR
Assessing LLMs in Malicious Code Deobfuscation of Real-world Malware Campaigns
本文评估四个大语言模型在真实Emotet恶意软件活动中对恶意脚本的反混淆能力,发现部分模型已能有效反混淆,表明微调LLMs有望用于未来AI驱动的威胁情报流程。
2024-04-30 cs.CR
A Lean Transformer Model for Dynamic Malware Analysis and Detection
Orange Innovation(奥兰治创新公司);Orange DSEC(奥兰治DSEC公司)
针对签名检测易被绕过的问题,本文提出一种处理 API 调用序列的小型仅编码器 Transformer,在保持良好恶意软件检测效果的同时降低训练推理成本与硬件需求。
2024-08-05 cs.CR cs.LG
Needle in a Haystack: Detecting Subtle Malicious Edits to Additive Manufacturing G-code Files
数字制造(DM)在安全关键领域的使用越来越多,这使得人们越来越关注制造过程的网络安全,因为恶意第三方可能会在数字设计中引入缺陷。通常,DM过程涉及在使用切片器程序将模型转换成适合于目标打印机的打印指令(例如,g代码)之前创建数字对象(作为CAD文件)。由于g代码是一种中间机器格式,恶意编辑可能难以检测,特别是当制造商无法获得黄金(原始)模型时。在这项工作中,我们的目标是通过红队/蓝队的案例研究来量化这一假设,其中红队的目标是引入会影响3D打印部件性能(强度)的细微缺陷,蓝队的目标是在没有黄金模型的情况下检测这些修改。该案例研究有两组模型,第一组有180个设计(使用2种方法妥协2个),第二组有4320个设计(使用6种方法妥协60个)。使用统计建模和机器学习(ML),蓝队能够检测到第一组数据中的所有妥协,以及第二组数据中的50个妥协。
2021-11-24 cs.CR
Behavior-Centric Malware Classification with Fine-Grained Malicious Logic Localization
Gianforte School of Computing, Montana State University(蒙大拿州立大学吉安福特计算机学院);College of Computer Science and Technology, Shandong University(山东大学计算机科学与技术学院)
本文提出一种以行为为中心的恶意软件分类框架,通过上下文敏感切片和行为图表示,结合Transformer与图神经网络,实现细粒度的恶意逻辑定位与准确分类。
2026-10-01 cs.CR
Detecting Malicious Code by Exploiting Dependencies of System-call Groups
在本文中,我们提出了一个详细的基于图形的算法技术,有效的恶意软件检测。更确切地说,我们利用系统调用依赖图(或,简称ScD图),通过捕获污点分析痕迹和一组各种相似性度量,以检测未知的测试样本是一个恶意的或良性的。为了推广,我们决定通过将我们的检测技术应用于ScD图的加权有向图,对其顶点的不相交子集进行分组后,来增强我们的模型对强突变的能力。此外,我们已经开发了一个相似性度量,我们称之为NP相似性,它结合了定性,定量和相关特征,这些特征在已知恶意软件家族的成员中传播,以在恶意软件的图形表示和良性软件之间进行明确区分。最后,我们评估我们的检测模型,并将我们的结果与证明我们模型潜力的各种技术所取得的结果进行比较。
2014-12-30 cs.CR
WebGuard++:Interpretable Malicious URL Detection via Bidirectional Fusion of HTML Subgraphs and Multi-Scale Convolutional BERT
Hangzhou Research Institute(杭州研究院);Xidian University(西安电子科技大学);Yantai Research Institute(烟台研究院);Harbin Engineering University(哈尔滨工程大学)
针对恶意URL检测中URL建模不完整、HTML图稀疏、单向分析及决策不透明等问题,提出WebGuard++框架,通过跨尺度URL编码器、子图感知HTML编码器、双向耦合模块和投票模块实现可解释检测,在固定低误报率下TPR显著提升。
2025-06-24 cs.CR cs.LG
Grammar-Constrained Decoding Can Jailbreak LLMs into Generating Malicious Code
College of AI, Tsinghua University(清华大学人工智能学院)
本文发现语法约束解码(GCD)可被利用发起名为CodeSpear的越狱攻击,使LLM生成恶意代码;并提出安全对齐方法CodeShield,通过生成蜜罐代码防御该攻击。
2026-11-05 cs.AI cs.CL cs.CR
An Evaluation of Large Language Models for Detection of Malicious Python Packages
University of Alabama(阿拉巴马大学);University of Dhaka(达卡大学);Auburn High School(奥本高中);Auburn University(奥本大学)
本文评估了LLMs在恶意包检测与细粒度指标识别中的性能差异,发现通用模型在过滤威胁方面表现优异,但专用编码模型在识别严格结构的攻击时更有效。
2026-07-15 cs.CR cs.SE
Models Are Codes: Towards Measuring Malicious Code Poisoning Attacks on Pre-trained Model Hubs
本文针对 Hugging Face 等预训练模型中心的恶意代码投毒风险,提出融合脚本提取、反序列化、污点分析与模式匹配的 MalHug 流水线,并经大规模工业部署验证有效。
2024-09-14 cs.CR cs.SE
CleanBase: Detecting Malicious Documents in RAG Knowledge Databases
Duke University(杜克大学);The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出CleanBase方法,通过构建语义相似性图检测RAG知识库中的恶意文档,利用恶意文档的高相似性形成聚类,从而提高检测准确性。
2026-05-01 cs.CR cs.LG
Exploring the Cryptographic Limits of Transformer Networks
研究Transformer能否实现密码学函数,通过将Keccak、Merkle-Damgård和Merkle树构造映射为阈值电路,并进一步映射到Transformer架构,推导出宽度和深度的缩放律,建立Transformer计算能力结构性上限。
2026-06-28 cs.CR cs.LG
Taint-Based Code Slicing for LLMs-based Malicious NPM Package Detection
Ho Chi Minh City University of Technology (HCMUT), VNU-HCM(胡志明市理工大学);Eastern International University(东方国际大学);Univ. Grenoble Alpes, CNRS, Grenoble INP, VERIMAG, UMR 5104(格勒诺布尔阿尔卑斯大学);PackGuard
提出基于污点代码切片的LLM框架,通过隔离安全相关数据流,将输入token数平均减少99.75%,在2537个包上达到87.04%的检测准确率,优于基线方法。
2026-06-16 cs.CR
ICSTrace: A Malicious IP Traceback Model for Attacking Data of Industrial Control System
University of Science and Technology of China(中国科学技术大学)
针对工业控制系统的攻击大多是有组织、有预谋的行为,IP追踪对于工业控制系统的安全具有重要意义。基于互联网的基础设施,我们开发了一个新的恶意IP追踪模型-ICSTrace,没有部署任何新的服务。该模型根据工业控制协议的格式从攻击数据中提取功能代码及其参数,并采用短序列概率方法将功能代码及其参数转化为一个向量,该向量表征恶意IP地址的攻击模式。此外,部分种子K-Means算法提出的模式的聚类,这有助于追溯到一个组织的攻击。基于大规模部署的工业控制系统蜜罐捕获的攻击数据对ICSTrace进行了评估,结果表明ICSTrace对工业控制系统中的恶意IP追踪是有效的。
2019-12-30 cs.CR cs.LG cs.NI
Which Neurons Detect Malicious Code? A Probing Study of LLM Security Knowledge
RMIT University(皇家墨尔本理工大学);Hanoi University(河内大学);SOICT, Hanoi University of Science and Technology(越南科学技术大学信息与通信技术学院);Università degli studi dell’Aquila(阿奎拉大学)
研究探索大语言模型中检测恶意代码的神经元,应用机械可解释性方法定位相关神经元,通过对恶意和良性PyPI包实验发现放大促进神经元、抑制抑制神经元可提升准确率,有助于了解模型编码恶意概念方式,为可靠防御机制提供思路。
2026-07-14 cs.CR cs.SE
Bridging Expert Reasoning and LLM Detection: A Knowledge-Driven Framework for Malicious Packages
Nanyang Technological University(南洋理工大学);Singapore Management University(新加坡管理大学);Sichuan University(四川大学);Imperial Global Singapore(帝国理工学院新加坡校区)
IntelGuard通过整合专家推理与大语言模型,实现高准确率的恶意包检测,发现54个未报告恶意包。
2026-01-23 cs.CR cs.SE
CATBERT: Context-Aware Tiny BERT for Detecting Social Engineering Emails
有针对性的网络钓鱼电子邮件正在增加,每年从组织中窃取数十亿美元。虽然传统的恶意软件签名或机器学习技术可以检测到来自附件或电子邮件中恶意URL的恶意信号,但要识别不包含任何恶意代码且不与已知攻击共享单词选择的手工制作的社交工程电子邮件具有挑战性。为了解决这个问题,我们通过用简单的适配器替换Transformer块的一半来微调预训练的BERT模型,以有效地学习自然语言的语法和语义的复杂表示。我们的上下文感知网络还可以从电子邮件标题中学习电子邮件内容和上下文特征之间的上下文表示。我们的CatBERT(上下文感知Tiny BERT)实现了87%的检测率,而DistilBERT,LSTM和逻辑回归基线分别实现了83%,79%和54%的检测率,假阳性率为1%。我们的模型也比竞争的Transformer方法更快,并且对故意用错别字或同义词替换关键字的对抗攻击具有弹性。
2020-10-07 cs.CR
Malicious Code Execution Detection and Response Immune System inspired by the Danger Theory
University College London(伦敦大学学院);University of Nottingham(诺丁汉大学)
对系统调用的分析是异常检测系统用来识别恶意代码执行的一种方法。这个过程与属于人类免疫系统的某些细胞的行为之间可以得出相似之处,并且可以应用于构建人工免疫系统。最近发展的免疫学假说,危险理论,指出我们的免疫系统通过感知属于这些入侵者的分子以及宿主产生的指示危险和损害的信号来对入侵者的存在做出反应。我们建议将这一概念纳入一个响应式入侵检测系统,其中的系统和运行过程的行为信息与个人系统调用的信息相结合。
2010-03-22 cs.AI cs.CR cs.NE
Code as a Weapon: A Consensus-Labeled Prompt Bank for Measuring Coding-Model Compliance with Malicious-Code Requests
University of Nevada Las Vegas(内华达大学拉斯维加斯分校);Department of Information Systems(信息系统系)
本文通过构建一个经五名评审共识标记的提示库(包含4,748个可执行恶意代码请求和1,923个有害安全知识请求),为编码模型对恶意代码请求的拒绝行为提供了可靠且可跨语料库比较的测量基准。
2026-06-16 cs.CL cs.CR cs.LG
BERT4ETH: A Pre-trained Transformer for Ethereum Fraud Detection
National University of Singapore(新加坡国立大学);Georgia Institute of Technology(佐治亚理工学院)
随着各种形式的欺诈在以太坊上激增,必须防范这些恶意活动,以保护易受影响的用户免受伤害。虽然目前的研究仅仅依赖于基于图的欺诈检测方法,但有人认为它们可能不适合处理高度重复、倾斜分布和异构的以太坊交易。为了解决这些挑战,我们提出了BERT4ETH,这是一种通用的预训练Transformer编码器,可以作为账户表示提取器,用于检测以太坊上的各种欺诈行为。BERT4ETH具有Transformer卓越的建模能力,可以捕捉以太坊交易中固有的动态序列模式,并通过三种实用有效的策略解决了以太坊BERT模型预训练的挑战,即减少重复性,缓解偏斜和异构建模。我们的实证评估表明,BERT4ETH在网络钓鱼账户检测和去匿名化任务方面的性能优于最先进的方法。BERT4ETH的代码可以在https://github.com/git-disl/BERT4ETH上找到。
2023-10-30 cs.CR cs.LG
MalTool: Malicious Tool Attacks on LLM Agents
Duke University(杜克大学);UC Berkeley(加州大学伯克利分校)
研究提出MalTool框架,系统分析恶意工具代码实现,展示恶意行为分类及生成方法,揭示现有检测方法对恶意工具的局限性。
2026-05-09 cs.CR
TrojanPuzzle: Covertly Poisoning Code-Suggestion Models
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Microsoft Corporation(微软公司);University of Virginia(弗吉尼亚大学)
本文提出 COVERT 与 TROJANPUZZLE 两种代码模型数据投毒攻击,通过文档字符串及拆分有效载荷绕过静态分析与数据集清洗,并在两种规模模型上验证其威胁。
2024-01-24 cs.CR cs.LG
Zero Day Malware Detection with Alpha: Fast DBI with Transformer Models for Real World Application
本文提出Alpha框架,结合动态二进制插桩、汇编语言分析和Transformer模型,用于零日恶意软件检测,在勒索软件、蠕虫和APT上达到完美分类准确率。
2025-04-21 cs.CR
A Multi-view Context-aware Approach to Android Malware Detection and Malicious Code Localization
Nanyang Technological University(南洋理工大学)
现有的Android恶意软件检测方法结合机器学习分类器使用各种特征(诸如安全敏感API、系统调用、控制流结构和信息流)来实现准确的检测。这些功能集中的每一个都提供了应用行为的独特语义视角(或视图),具有固有的优势和局限性。也就是说,有些视图更适合检测某些攻击,但可能不适合检测其他几种攻击。大多数现有的恶意软件检测方法仅使用上述特征集中的一个(或选定的几个),这阻止了它们检测绝大多数攻击。针对这一限制,我们提出了MKLDroid,一个统一的框架,系统地集成了应用程序的多个视图,用于执行全面的恶意软件检测和恶意代码本地化。理由是,虽然恶意软件应用程序可以在某些视图中伪装自己,但在保持恶意意图的同时在每个视图中伪装将更加困难。MKLDroid使用图形内核从应用程序的依赖关系图中捕获结构和上下文信息,并识别每个视图中的恶意代码模式。随后,它采用多核学习(MKL)来找到产生最佳检测精度的视图的加权组合。除了多视图学习,MKLDroid的独特和突出的特点是它能够在依赖图中定位细粒度的恶意代码部分(例如,方法/类)。通过我们在几个数据集上的大规模实验(包括野生应用程序),我们证明了MKLDroid在准确性方面始终优于三种最先进的技术,同时保持相当的效率。在我们对重新打包的恶意软件数据集进行的恶意代码本地化实验中,MKLDroid能够以94%的平均召回率识别所有恶意类别。
2017-04-08 cs.AI cs.CR cs.SE