On the Feasibility of Cross-Language Detection of Malicious Packages in npm and PyPI
本研究提出一种基于语言无关特征的跨语言恶意包检测方法,通过训练模型捕捉 npm 和 PyPI 中恶意包的共性,成功检测出58个未知恶意包。
2023-10-14 cs.CR cs.SE
Small World with High Risks: A Study of Security Threats in the npm Ecosystem
JavaScript的流行导致了一个通过npm软件包注册表提供的第三方包的大型生态系统。npm的开放性推动了它的发展,提供了超过80万个免费和可重用的软件包。不幸的是,这种开放的性质也会导致安全风险,最近发生的单个软件包破坏或攻击数百万台计算机上运行的软件的事件就是明证。本文通过系统地分析软件包之间的依赖关系、负责这些软件包的维护者以及公开报告的安全问题,研究了npm用户的安全风险。通过研究由于第三方依赖而运行易受攻击或恶意代码的可能性,我们发现单个软件包可能会影响整个生态系统的大部分。此外,极少数的维护者帐户可以被用来将恶意代码注入到大多数软件包中,这个问题随着时间的推移而增加。通过研究意外使用易受攻击代码的可能性,我们发现缺乏维护会导致许多软件包依赖于易受攻击的代码,即使在漏洞公开多年后也是如此。我们的研究结果提供的证据表明,npm遭受单点故障和未维护的软件包威胁大型代码库。我们讨论了几种缓解技术,如可信的维护者和总的第一方安全,并分析其潜在的有效性。
2019-06-07 cs.CR
ProfMalPlus: Agent-Coordinated Detection of Malicious NPM Packages via Static-Dynamic Analysis Synergy
Fudan University(复旦大学)
研究针对NPM包恶意代码检测问题,提出ProfMalPlus,结合对象敏感行为图与大语言模型推理,经多步骤提取安全切片并评估,对不确定情况增强证据后再评估,最终定位恶意代码,F1分数高且发现多个未知恶意包,性能优于现有检测器。
2026-07-16 cs.CR cs.SE
DONAPI: Malicious NPM Packages Detector using Behavior Sequence Knowledge Mapping
针对npm生态的恶意包安全风险,研究提出结合静动态分析的DONAPI检测器,基于行为知识库识别恶意包,已发现325个恶意样本及多种未知异常调用与序列。
2024-03-13 cs.CR
What are Weak Links in the npm Supply Chain?
现代软件开发经常使用第三方软件包,这引发了对供应链安全攻击的担忧。许多攻击者针对流行的包管理器,如npm,以及他们的用户进行供应链攻击。2021年,利用开源软件供应链进行的安全攻击同比增长650%。需要主动的方法来预测高风险供应链攻击的软件包漏洞。这项工作的目标是帮助软件开发人员和安全专家通过实证研究npm包元数据来测量npm供应链薄弱环节信号,以防止未来的供应链攻击。在本文中,我们分析了163万个JavaScript npm包的元数据。我们提出了软件供应链中安全漏洞的六个信号,例如安装脚本的存在,与过期的电子邮件域相关的维护者帐户,以及不活动的软件包与不活动的维护者。我们的一个案例研究从安装脚本信号中识别出11个恶意软件包。我们还发现了2,818个与过期域名相关的维护者电子邮件地址,允许攻击者通过接管npm帐户来劫持8,494个软件包。我们通过470名npm软件包开发人员的调查获得了关于我们弱链接信号的反馈。大多数开发人员支持我们提出的六个弱链接信号中的三个。开发人员还表示,他们希望在使用第三方软件包之前获得有关弱链接信号的通知。此外,我们还讨论了软件包开发人员建议的八个新信号。
2022-02-14 cs.CR cs.CY cs.SE
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
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
SkillsMetric: Mapping the Detection Boundary of Static Analysis for Malicious Agent Skills
The Graduate Center, City University of New York(纽约城市大学研究生中心);Hunter College, City University of New York(纽约城市大学亨特学院);The Ohio State University(俄亥俄州立大学)
本研究提出五阶段静态分析框架SkillsMetric,构建含2266个技能的对抗性数据集,发现静态分析对部分攻击检测不足,需结合静态预筛选与语义审查的纵深防御架构。
2026-08-11 cs.AI cs.CR
Practical Automated Detection of Malicious npm Packages
npm注册表是JavaScript和TypeScript生态系统的支柱之一,托管了超过170万个包,从简单的实用程序库到复杂的框架和整个应用程序。由于npm的压倒性流行,它已成为恶意行为者的主要目标,他们发布新的包或破坏现有的包,以引入恶意软件,篡改或暴露安装这些包或任何(过渡性)依赖于它们的包的用户的敏感数据。防御此类攻击对于维护软件供应链的完整性至关重要,但软件包更新的绝对数量使得全面的手动审查变得不可行。我们提出了Amalfi,一种基于机器学习的方法,用于自动检测由三种互补技术组成的潜在恶意软件包。我们从已知的恶意和良性软件包的例子训练分类器开始。如果一个软件包被分类器标记为恶意软件,我们就会检查它是否包含有关其源代码库的元数据,如果包含,则检查该软件包是否可以从其源代码中复制。可从源代码复制的包通常不是恶意的,因此这一步允许我们剔除误报。最后,我们还采用了一个简单的文本克隆检测技术来识别可能被分类器错过的恶意软件包的副本,减少了误报的数量。Amalfi改进了现有技术,因为它是轻量级的,每个包只需要几秒钟就可以提取特征并运行分类器,并且在实践中取得了良好的效果:在一周内发布的96287个包版本上运行它,我们能够识别95个以前未知的恶意软件样本,误报数量可控。
2022-02-28 cs.CR cs.SE
A Survey on Common Threats in npm and PyPi Registries
软件工程师经常使用JavaScript和Python来完成前端和后端自动化任务。除了JavaScript和Python之外,还有几个框架可以进一步促进自动化任务。其中一些框架是节点管理器包(npm)和Python包索引(PyPi),它们是开源(OS)包库。npm和PyPi用于托管包的公共注册表允许任何具有验证电子邮件的用户发布代码。在向注册表发布时缺乏全面的扫描工具会产生安全问题。用户可以在注册表上报告恶意代码;然而,攻击者仍然可以造成损害,直到他们从平台上删除他们的工具。此外,多个包相互依赖,使得它们更容易受到依赖树中坏包的影响。大量的代码重用产生了开发人员必须考虑的安全构件,比如包的范围。这个项目将说明与操作系统注册表和包依赖结构相关的常见风险的高级概述。在操作系统软件包注册表中,有几种攻击类型,例如拼写错误和组合抢注。过时的软件包会带来安全风险,我们将研究npm环境中存在的技术滞后程度。在本文中,我们的主要贡献包括在OS注册表中的常见威胁的调查。之后,我们将提出对策,以减轻所提出的风险。这些补救措施将主要集中在机器学习(ML)的应用上,以检测可疑活动。据我们所知,以ML为重点的对策是针对所列安全问题首次提出的可能解决方案。此外,该项目是第一个对npm和PyPi威胁的调查,尽管有几项研究关注的是威胁的一个子集。
2021-08-21 cs.CR cs.SE
Original Sin of npm: A Study on Vulnerability Propagation in JavaScript Dependency Networks
Data61, CSIRO(CSIRO数据六部);RMIT University(皇家墨尔本理工大学);Macquarie University(麦考瑞大学);Sungkyunkwan University(成均馆大学)
本文研究了少量脆弱JavaScript包如何导致大量脆弱包的产生,揭示了依赖网络中漏洞传播的特性及修复时间,提出开发人员和包管理者的缓解建议。
2026-04-19 cs.CR
CHRONO-RESOLUTION: A Dependency Resolution Dataset at Release Points for npm, PyPI, and crates.io Packages
North Carolina State University(北卡罗来纳州立大学)
本文旨在借助丰富数据集助从业者和研究者分析软件包发布点的生态系统依赖图,提出构建软件生态系统包发布点依赖项解析的方法,融入漏洞数据构建CHRONO-RESOLUTION数据集并发布,以推动相关研究。
2026-07-20 cs.CR cs.SE
Exploring Large Language Models for Semantic Analysis and Categorization of Android Malware
Louisiana State University(路易斯安那州立大学)
本文提出基于GPT-4o-mini的\msp,利用分层摘要链与提示工程实现Android恶意软件语义分析、分类及恶意代码定位,分类准确率最高达77%。
2025-01-08 cs.AI cs.CR
Lags in the Release, Adoption, and Propagation of npm Vulnerability Fixes
第三方依赖关系中的安全漏洞不仅是受影响软件的开发人员日益关注的问题,而且还对整个软件生态系统构成风险,例如,心脏出血漏洞。最近的研究表明,开发人员对漏洞威胁的反应很慢,有时需要4到11个月才能采取行动。为了确保快速采用和传播的版本,包含修复(修复版本),我们进行了实证调查,以确定可能发生的滞后之间的脆弱的版本和它的修复版本(包端修复版本)。通过对GitHub上npm项目的231个包端修复版本的初步研究,我们观察到修复版本很少单独发布,高达85.72%的捆绑提交与修复无关。然后,我们将包端修复版本与客户端(客户端修复版本)上的更改进行比较。通过对影响整个网络的1,553,325个npm包版本的1,290个包端修复版本的采用和传播趋势的实证研究,我们发现陈旧的客户端需要额外的迁移工作,即使包端修复版本很快(即,包补丁着陆)。此外,我们显示的影响因素,如包端固定释放土地上的分支和脆弱性的严重程度,其传播。除了这些滞后,我们确定和表征,本文奠定了基础,为未来的研究如何减轻滞后的生态系统。
2021-03-31 cs.CR cs.SE
SpellBound: Defending Against Package Typosquatting
基于单一程序设计语言的软件存储库的包管理器非常常见。例子包括npm(JavaScript)和PyPI(Python)。这些工具鼓励代码重用,使开发人员导入外部包变得微不足道。不幸的是,仓库的大小和发布软件包的容易程度促进了排印的实践:上传一个与一个非常流行的软件包名称相似的软件包,通常目的是捕获一些流行软件包的安装。错别字有严重的负面影响,导致开发人员导入恶意软件包,或者-正如我们所展示的-不包含最新安全更新的代码克隆。为了解决这个问题,我们提出了SpellBound,一个工具,用于识别和报告潜在的错误导入开发人员。SpellBound基于对npm和PyPI的深入分析,实现了一种新的排版检测技术。我们的技术利用名称之间的词汇相似性模型,并进一步结合了包流行度的概念。这种方法会在安装之前标记未知/很少使用的软件包将被安装在具有相似名称的流行软件包的位置的情况。我们在npm和PyPI上对SpellBound进行了评估,结果令人鼓舞:SpellBound在生成有限警告(占软件包安装总量的0.5%)的同时标记了typosquatting案例,并且开销很低(仅占软件包安装时间的2.5%)。此外,SpellBound允许我们确认已知的typosquatting案例,并发现一个备受瞩目的未知typosquatting案例,导致npm安全团队删除了一个包。
2020-03-06 cs.CR cs.SE
SōjiTantei: Function-Call Reachability Detection of Vulnerable Code for npm Packages
软件项目采用第三方依赖关系已经成为一种常见的做法。我们鼓励开发人员更新任何过时的依赖项,以免受潜在的漏洞威胁。在这项研究中,我们提出了一种方法来帮助开发人员显示是否有一个脆弱的代码是可达的JavaScript项目。我们的原型SōjiTantei从两个方面进行评估:(i)与手动方法相比的准确性;(ii)对78个安全漏洞案例中的780个客户端进行更大规模的分析。第一次评估显示,SōjiTantei具有83.3%的高准确性,每个客户端的分析速度不到一秒。第二次评估显示,在研究的78个漏洞中,有68个报告至少有一个干净的客户端。该研究证明,自动化是有前途的,有进一步改进的潜力。
2021-09-18 cs.CR cs.SE
"I wasn't sure if this is indeed a security risk": Data-driven Understanding of Security Issue Reporting in GitHub Repositories of Open Source npm Packages
本研究通过分析 45,466 个 npm 包的千万级 GitHub issue,结合人工标注与机器学习,揭示大量安全问题未被标记或妥善处理。
2025-06-09 cs.CR
PoCGen: Generating Proof-of-Concept Exploits for Vulnerabilities in Npm Packages
University of Stuttgart(斯图加特大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
本文提出PoCGen,通过结合大语言模型和静态动态分析,自动生成并验证npm包漏洞的概念验证漏洞利用,成功率达77%,优于现有基线方法。
2026-06-28 cs.CR cs.SE
Defending the Core: A Centrality-Based Protection Strategy for Supply Chain Security in npm Dependency Network
针对npm依赖网络的中心节点易受攻击问题,提出基于中心性的节点加固与依赖权重警告双管齐下的防御策略,模拟证明仅对前1%节点实施严格安全协议并修剪30%结构次要边即可防止网络崩溃和级联恶意软件感染。
2026-06-15 cs.CR cs.NI
LLM Ghostbusters: Surgical Package Hallucination Suppression via Adaptive Unlearning
University of Texas San Antonio(德克萨斯大学圣安东尼奥分校);University of California San Diego(加州大学圣地亚哥分校)
本文提出自适应反学习框架,通过混合token级目标和自适应发现循环,有效抑制LLM幻觉,减少81%的包幻觉率,同时保持编码基准性能,验证其对特定分布的针对性效果。
2026-09-23 cs.AI cs.CL cs.CR
Malicious Package Detection using Metadata Information
本文提出基于元数据的恶意包检测模型MeMPtec,通过提取并分类包元数据特征,显著降低误报和漏报率,并增强对抗攻击抵抗力。
2024-02-12 cs.CR
An Empirical Evaluation of Using Large Language Models for Automated Unit Test Generation
University of Alberta(阿尔伯塔大学);University of Stuttgart(斯图加特大学);Northeastern University(东北大学)
本文提出TestPilot,利用LLM依据函数签名、实现和文档示例自动生成JavaScript单元测试,并通过失败信息重提示修复;在25个npm包上验证其覆盖率显著优于Nessie且跨模型有效。
2023-12-11 cs.AI cs.SE
Supporting the Detection of Software Supply Chain Attacks through Unsupervised Signature Generation
在软件供应链攻击中使用的木马化软件包构成了一种新的威胁。不幸的是,仍然缺乏允许自动和及时检测恶意软件包的可扩展方法,因此大多数检测都基于手工劳动和专业知识。然而,已经观察到,大多数攻击活动包括共享相同或相似恶意代码的多个包。我们利用这一事实来自动复制手动识别的已知恶意软件包集群,这些恶意软件包已用于现实世界的攻击,从而减少了对专家知识和手动检查的需求。我们的方法,AST聚类使用MCL模仿专业知识(ACME),产生有希望的结果与$F_{1}$得分为0.99。签名是基于集群中的特征代码片段自动生成的,随后用于扫描整个npm注册表以查找未报告的恶意软件包。我们能够识别并报告六个恶意软件包,这些软件包已经从npm中删除。因此,我们的方法可以通过减少体力劳动来支持分析人员,因此可以用来及时检测可能的软件供应链攻击。
2021-03-19 cs.CR
Towards Robust Detection of Open Source Software Supply Chain Poisoning Attacks in Industry Environments
针对 NPM 与 PyPI 供应链投毒,本文提出 OSCAR 动态检测流水线,结合沙箱执行、模糊测试和方面级行为监控,在工业部署中显著降低误报并发现大量恶意包。
2024-09-14 cs.CR cs.SE
HFuzzer: Testing Large Language Models for Package Hallucinations via Phrase-based Fuzzing
School of Software Technology, Zhejiang University, Ningbo, China(软件技术学院,浙江大学,宁波,中国);The State Key Laboratory of Blockchain and Data Security, Zhejiang University, Hangzhou, China(区块链与数据安全国家重点实验室,浙江大学,杭州,中国)
针对大语言模型包幻觉安全风险缺乏专项检测的问题,提出基于短语的模糊测试框架HFuzzer,可生成多样相关编码任务,在多模型中触发幻觉,检测量达突变框架2.6倍,还发现GPT-4o在环境配置中也存在包幻觉。
2025-10-04 cs.AI cs.SE
Towards Classifying Benign And Malicious Packages Using Machine Learning
Eastern International University(东方国际大学);University of Information Technology(信息技术大学)
针对现有动态分析工具无法自动区分开源软件包善恶的问题,提出从动态分析结果提取特征结合机器学习的分类方法,在npm近2000个包上实现0.91的AUC且误报率近0%。
2025-11-19 cs.CR
Security Issues in Language-based Software Ecosystems
生态系统(LBE),即:基于单一程序设计语言的软件生态系统是非常常见的。例子包括JavaScript的npm生态系统和Python的PyPI。这些环境鼓励包之间的代码重用,并结合实用程序-包管理器-用于自动解决依赖关系。然而,使这些系统流行的相同方面-易于发布代码和导入外部代码-也产生了新的安全问题,到目前为止几乎没有研究。我们提出了一个系统的研究困扰LBE的安全问题。这些问题是这些生态系统工作方式所固有的,无法通过修复软件包或实用程序中的软件漏洞来解决,例如,包管理器工具,构建这些生态系统。我们从各个方面系统地描述了最近的安全攻击,包括攻击策略,向量和目标。我们对npm和PyPI生态系统的表征和深入分析表明,这些生态系统代表了最大的LBE,覆盖了近100万个包,这表明这些生态系统为攻击者提供了一个合适的环境,可以进行隐形攻击。总的来说,我们认为(i)完全自动检测恶意软件包可能是不可行的;但是(ii)帮助开发人员评估包括外部依赖项的风险的工具和指标将大大有助于防止攻击。
2021-11-30 cs.CR
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
LLM-Enhanced Hierarchical Heterogeneous Graph Representation Learning for Malicious Python Package Detection
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
提出用于恶意Python包检测的LLM增强分层异构图表示学习框架,构建分层异构代码图,利用LLMs推理功能语义角色,开发分层异构图神经网络并结合功能级归因机制,实验表明该框架性能优越。
2026-07-07 cs.AI cs.CR cs.SE
Towards the Detection of Malicious Java Packages
开源软件供应链攻击旨在通过毒害开源软件包来感染下游用户。消费这种工件的常见方式是通过包存储库,并且正在研究开发检测这种攻击的审查策略。尽管Java生态系统很受欢迎,但在供应链攻击的背景下,它是一个较少探索的生态系统。在本文中,我们提出了恶意行为的指标,可以通过分析Java字节码静态观察。然后,我们评估这些指标及其组合在检测恶意代码注入时的表现。我们通过将三个来自真实世界示例的恶意有效负载注入libraries.io中十大最受欢迎的Java库来做到这一点。我们发现,分析常量池中的字符串和字节码指令中的敏感API有助于通过显着减少信息来检测恶意Java包,从而使手动分类成为可能。
2022-10-08 cs.CR
Skills Are Not Islands: Measuring Dependency and Risk in Agent Skill Supply Chains
Peking University(北京大学);Zhongguancun Laboratory(中关村实验室)
提出智能体技能供应链(ASSC)概念,设计SkillDepAnalyzer工具从自然语言中提取依赖关系,在超143万技能上揭示四种结构模式和安全风险,建议类型化依赖清单和风险预警审计。
2026-07-02 cs.AI cs.SE
An Analysis of Malicious Packages in Open-Source Software in the Wild
针对开源软件恶意软件研究缺乏高质量数据集、多样性及攻击上下文的问题,构建含24356个恶意包的最大数据集,提出知识图谱分析,揭示多来源收集必要性、低多样性、依赖隐藏特征及安全报告价值。
2025-04-17 cs.CR cs.SE
MalGuard: Towards Real-Time, Accurate, and Actionable Detection of Malicious Packages in PyPI Ecosystem
针对PyPI恶意包检测中传统ML模型特征分析成本高、缺乏可解释性的问题,提出结合图中心性分析、LLM与LIME算法的MalGuard方法,在提升检测精度的同时实现可解释性,还发现了大量未知恶意包。
2025-06-17 cs.CR
The Range Shrinks, the Threat Remains: Re-evaluating LLM Package Hallucinations on the 2026 Frontier-Model Cohort
Anthropic;OpenAI;Google;DeepSeek
本文重新评估了2026前沿模型队列上大型语言模型(LLM)的包幻觉现象,发现尽管幻觉率有所降低,但仍然存在威胁,识别出一组127个包名(109个在PyPI,18个在npm)被所有评估模型一致生成,构成一个跨模型的供应链攻击面,同时发现Python与JavaScript幻觉的不对称性以及DeepSeek V3.2和GPT-5.4-mini之间的高相似性。
2026-11-10 cs.CR cs.LG cs.SE
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
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
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
You Can Run But You Can't Hide: Runtime Protection Against Malicious Package Updates For Node.js
本文提出一种 Node.js 运行时防护方法,通过自动将包能力限制在最小必要范围来抵御恶意包更新,实验表明可阻止 9/10 的历史攻击,且安装与运行时开销均低于 0.6 秒。
2023-05-31 cs.CR cs.PL
A Large-scale Fine-grained Analysis of Packages in Open-Source Software Ecosystems
本研究针对开源软件生态中的包管理器,通过大规模分析5万余合法、千余恶意软件包的细粒度信息,揭示了两类包的特征差异,验证了细粒度信息对恶意包的检测价值。
2024-04-17 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
PYPILINE: Malicious PyPI Package Detection via Suspicious API Knowledge and Agent Workflow
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
提出PYPILINE方法,结合可疑API知识库与Agent工作流,通过静态分析构建知识库并自动检测恶意PyPI包,在精度、召回率和F1分数上显著优于现有工具。
2026-06-29 cs.CR
Cutting the Gordian Knot: Detecting Malicious PyPI Packages via a Knowledge-Mining Framework
Nanyang Technological University(南洋理工大学);Nankai University(南开大学);Sichuan University(四川大学);Imperial Global Singapore(帝国理工学院新加坡校区)
PyGuard 通过知识挖掘框架提升 PyPI 恶意包检测准确率,实现 99.50% 准确率,识别 219 个新恶意包,展示语义理解在跨编程语言中的应用价值。
2026-01-27 cs.CR cs.SE
MOLOT System Card: Malicious Operational Logic Observation Transformer
False Positive Community
提出MOLOT系统,利用静态调用图的行为序列进行恶意代码检测,结合解释阶段定位可疑行为,在PyPI和npm包上评估,并发布Open Malicious-Code Bench基准。
2026-06-05 cs.CR cs.LG cs.SE
The Hitchhiker's Guide to Malicious Third-Party Dependencies
该研究针对开源软件供应链中恶意第三方依赖的安全问题,分析7个生态系统的攻击技术,给出风险缓解建议并披露攻击者的检测规避策略。
2023-10-06 cs.CR
Trust Me, Import This: Dependency Steering Attacks via Malicious Agent Skills
National Yang Ming Chiao Tung University(国立阳明交通大学);CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心);Institute of Science Tokyo(东京科学大学)
研究提出依赖引导攻击,通过恶意技能引导编码代理生成恶意包,无需修改模型或数据,展示出软件供应链中的新攻击面。
2026-05-10 cs.CR
DySec: A Machine Learning-based Dynamic Analysis for Detecting Malicious Packages in PyPI Ecosystem
针对 PyPI 供应链缺乏实时行为监控的问题,提出基于机器学习的动态分析框架 DySec,利用 eBPF 探针捕获安装时行为特征,高效检测恶意软件包并显著降低假阴性率。
2025-03-01 cs.CR cs.SE
Android Malware Clustering using Community Detection on Android Packages Similarity Network
每天针对应用程序存储库的Android恶意应用程序(应用程序)数量正在增加,其数量超过了指纹识别过程。为了解决这个问题,我们提出了一个增强的Cypider框架,一组技术和工具,旨在通过建立一个可扩展的和混淆弹性相似性网络基础设施的恶意应用程序的移动恶意软件进行系统的检测。我们的方法是基于我们提出的概念,即恶意社区,在其中我们认为共享共同特征的恶意实例是同一恶意软件家族中最有可能的部分。使用这个概念,我们假设多个类似的Android应用程序,不同的作者是最有可能是恶意的。具体来说,Cypider利用这一假设来检测已知恶意软件家族和零日恶意应用程序的变体。Cypider在相似性网络上应用社区发现算法,该算法提取被认为是可疑和可能恶意社区的子图。此外,我们提出了一种新的指纹技术,即社区指纹,基于一类机器学习模型的每个恶意社区。此外,我们提出了一个增强的Cypider框架,它需要更少的内存,x650,和更少的时间来建立相似性网络,x700,与原始版本相比,而不影响指纹性能的框架。我们引入了一个系统的方法来定位不同的特征内容向量的最佳阈值,这简化了整个检测过程。
2020-05-12 cs.CR
One Detector Fits All: Robust and Adaptive Detection of Malicious Packages from PyPI to Enterprises
Endor Labs(Endor实验室)
本文提出一种鲁棒且自适应的恶意包检测器,适用于PyPI和企业环境,通过对抗性训练提升检测鲁棒性,并在不同FPR需求下实现高效检测。
2025-12-03 cs.CR cs.LG
SourceBroken: A large-scale analysis on the (un)reliability of SourceRank in the PyPI ecosystem
EURECOM(欧洲通信学院);SAP;Endor Labs
SourceBroken研究发现SourceRank在PyPI生态系统中存在可靠性问题,其未能及时反映软件包删除,导致恶意与良性软件包评分重叠,URL混淆攻击显著增加。
2025-12-30 cs.CR cs.SE
CHASE: LLM Agents for Dissecting Malicious PyPI Packages
Waseda University(早稻田大学);RIKEN AIP(理化学研究所人工智能研究中心);NICT(日本信息通信研究机构)
CHASE通过多代理架构提升恶意PyPI包检测的可靠性,实现高召回率与低误报率。
2026-01-11 cs.CR cs.SE
Towards Measuring Supply Chain Attacks on Package Managers for Interpreted Languages
包管理器已经成为现代软件开发过程的重要组成部分。它们允许开发人员重用第三方代码,共享他们自己的代码,最小化他们的代码库,并简化构建过程。然而,最近的报告显示,包管理器已被攻击者滥用来分发恶意软件,给开发人员和最终用户带来了重大的安全风险。例如,eslint-scope,一个在Npm中每周有数百万下载量的软件包,被破坏以窃取开发人员的凭据。为了了解安全漏洞和错位的信任,使最近的供应链攻击成为可能,我们提出了一个比较框架,以定性评估解释语言的包管理器的功能和安全功能。在定性评估的基础上,我们采用了著名的程序分析技术,如元数据,静态和动态分析研究注册表滥用。我们最初的努力发现了339个新的恶意软件包,我们报告给注册中心删除。软件包管理器维护人员确认了339个报告的软件包中的278个(82%),其中三个软件包的下载量超过10万次。对于这些软件包,我们发布了官方的CVE编号,以帮助加快从受感染的受害者中删除这些软件包。我们概述了为解释型语言定制程序分析工具的挑战,并发布了我们的管道,作为社区建立和帮助保护软件供应链的参考点。
2020-12-02 cs.CR
ConfuGuard: Using Metadata to Detect Active and Stealthy Package Confusion Attacks Accurately and at Scale
针对现有包混淆攻击防御存在误报率高、覆盖生态有限等问题,研究提出ConfuGuard检测器,利用包元数据识别良性包,支持7类注册表,误报率降至28%,已在工业场景检出630起真实攻击。
2025-08-01 cs.CR cs.SE
eDySec: A Deep Learning-based Explainable Dynamic Analysis Framework for Detecting Malicious Packages in PyPI Ecosystem
Queensland University of Technology(昆士兰理工大学);Edith Cowan University(埃德温·库恩大学);Research Graduate School, BUBT(研究研究生学院,BUBT)
本文提出eDySec框架,利用深度学习方法分析软件包动态行为,通过QUT-DV25数据集评估模型并识别最有效的特征,提升恶意包检测效率与准确性。
2026-04-29 cs.CR cs.LG
Malicious Source Code Detection Using Transformer
Ben-Gurion University(本-古里安大学)
开源代码被认为是现代软件开发中的常见做法。然而,重复使用其他代码会使恶意攻击者能够访问广泛的开发人员社区,从而访问依赖于它的产品。这些攻击被归类为供应链攻击。近年来,越来越多的供应链攻击在软件开发过程中利用开源,自动或手动地中继下载和安装过程。多年来,已经发明了许多方法来检测易受攻击的软件包。但是,在包中检测恶意代码并不常见。这些检测方法可以大致分类为使用(动态)和不使用(静态)代码执行的分析。在这里,我们介绍了恶意源代码检测使用Transformers(MSDT)算法。MSDT是一种基于深度学习方法的新型静态分析,可检测源代码包的真实代码注入情况。在这项研究中,我们使用MSDT和一个包含60多万个不同函数的数据集来嵌入各种函数,并对生成的向量应用聚类算法,通过检测离群值来检测恶意函数。我们进行了广泛的实验,并证明了我们的算法能够检测到注入恶意代码的功能,精度@k值高达0.909。
2022-09-16 cs.CR cs.LG