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
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
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
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
Botnet in the Browser: Understanding Threats Caused by Malicious Browser Extensions
浏览器扩展已经被建立为现代浏览器中的常见功能。然而,一些扩展系统有暴露API的风险,这些API与浏览器的内部结构过于宽松和紧密,从而为恶意开发人员留下漏洞,以利用浏览器本身的安全关键功能。在本文中,我们提出了一个僵尸网络框架,安装在用户的浏览器中的恶意扩展的基础上,可以在这个框架中发起的攻击的详尽范围,提高了人们对浏览器扩展所造成的威胁的认识。我们系统地分类,描述和实现这些针对Chrome,Firefox和Firefox-for-Android的攻击,并在Windows,Linux和Android系统上验证实验。据我们所知,本文提出了迄今为止最全面的分析僵尸网络的威胁,在现代浏览器中,由于浏览器扩展所拥有的超特权的能力。并针对存在的问题提出了相应的对策。
2017-09-27 cs.CR
Learning Malware Representation based on Execution Sequences
随着恶意软件的数量和类型急剧增加,恶意软件分析已经被广泛研究。然而,大多数以前的研究使用端到端系统来检测样本是否是恶意的,或者识别其恶意软件家族。在本文中,我们提出了一个神经网络框架组成的嵌入器,编码器和过滤器,学习恶意软件表示的特征执行序列的恶意软件家族分类。嵌入器使用最先进的嵌入模块BERT和Sent2Vec来捕获执行跟踪中单个API调用内和连续API调用之间的关系。该编码器包括用于保持API调用的顺序位置的门控递归单元(GRU)和用于比较API调用的不同位置之间的内部关系的自注意力机制。过滤器识别代表性API调用以构建恶意软件表示。我们进行广泛的实验,以确定个别框架组件的影响。结果表明,所提出的框架优于基线,并且还表明,考虑Sent2Vec来学习完整的API调用嵌入和GRU来显式地保留序数信息,可以产生更多的信息,从而实现显著的改进。此外,所提出的方法有效地分类新的恶意执行痕迹与以前收集的家庭的相似性的基础上。
2021-02-05 cs.CR cs.LG
NtMalDetect: A Machine Learning Approach to Malware Detection Using Native API System Calls
Shanghai American School Puxi(上海美国学校浦西校区(注:此处仅提取机构名,校区信息为补充说明,若严格按要求提取到大学/学院级别,上海美国学校整体为机构,浦西为校区,按要求提取到学院/大学级别则为上海美国学校))
随着计算系统变得越来越先进,并且随着用户越来越多地参与技术,安全性从未成为更大的关注点。在恶意软件检测中,静态分析,即分析潜在恶意文件的方法,已经成为突出的方法。然而,随着恶意程序变得更加先进,并采用混淆其二进制文件的能力来执行相同的恶意功能,这种方法很快就达不到要求,这使得静态分析对于较新的变体变得非常困难。本文评估的方法是一种新的动态恶意软件分析方法,它可以比静态分析更好地推广到新的变种。受自然语言处理(NLP)最近成功的启发,通过对系统调用进行这种分析,在检测恶意软件中评估了广泛使用的文档分类技术,所述系统调用包含关于程序操作的有用信息,作为程序向内核发出的请求。所考虑的功能是从良性和恶意程序的系统调用痕迹中提取的,并且将这些痕迹分类的任务被视为系统调用痕迹的二进制文档分类任务。已处理系统调用跟踪以删除参数,从而只保留系统调用函数名称。特征被分成不同的n-gram,并使用词频-逆文档频率进行加权。本文表明,线性支持向量机(SVM)优化的随机梯度下降和传统的坐标下降的Wolfe对偶形式的SVM是有效的,实现了最高的96%的准确率和95%的召回分数。其他的贡献包括确定显着的系统调用序列,可能是进一步研究的途径。
2018-05-19 cs.CL cs.CR
PARIS: A Practical, Adaptive Trace-Fetching and Real-Time Malicious Behavior Detection System
针对现有恶意软件动态检测开销高、忽略单样本行为差异的问题,提出基于ETW的自适应轨迹获取轻量实时检测系统PARIS,数据量减超98.8%,在保持检测准确率的同时大幅降低主机资源开销。
2024-11-02 cs.CR
Your Agent Is Mine: Measuring Malicious Intermediary Attacks on the LLM Supply Chain
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Fuzzland;University of California, San Diego(加州大学圣迭戈分校);World Liberty Financial
研究针对LLM供应链中恶意中间人攻击的系统性分析,提出两种核心攻击类型及适应性规避变种,通过实验发现多个路由器存在恶意注入和秘密外泄行为,并评估了三种客户端防御措施。
2026-04-09 cs.CR
Android Malware Detection using Deep Learning on API Method Sequences
Concordia University(康考迪亚大学);King Saud University(沙特国王大学);University of Sharjah(沙迦大学)
Android操作系统经历了一个炽热的流行,因为过去几年。这个占主导地位的平台不仅在移动世界中,而且在物联网(IoT)设备中也建立了自己的地位。然而,这种流行是以牺牲安全为代价的,因为它已成为恶意应用程序的诱人目标。因此,对复杂、自动和便携式恶意软件检测解决方案的需求日益增加。在本文中,我们提出了MalDozer,一个自动的Android恶意软件检测和家庭归因框架,依赖于使用深度学习技术的序列分类。从应用程序API方法调用的原始序列开始,MalDozer自动从实际样本中提取并学习恶意和良性模式,以检测Android恶意软件。MalDozer可以作为无处不在的恶意软件检测系统,不仅部署在服务器上,还可以部署在移动设备甚至物联网设备上。我们在多个Android恶意软件数据集上评估MalDozer,范围从1 K到33 K恶意软件应用程序和38 K良性应用程序。结果表明,MalDozer可以正确地检测恶意软件,并将它们归因于它们的实际家族,在所有测试数据集和设置下,F1分数为96%-99%,误报率为0.06%-2%。
2017-12-25 cs.AI cs.CR
Malicious GenAI Chrome Extensions: Unpacking Data Exfiltration and Malicious Behaviours
Palo Alto Networks
研究发现恶意GenAI Chrome扩展通过伪装和数据外泄威胁用户,揭示了浏览器扩展生态与GenAI技术的紧密关联。
2025-12-10 cs.CR
A Classification-by-Retrieval Framework for Few-Shot Anomaly Detection to Detect API Injection Attacks
提出一种结合 FastText API 语言模型与近似最近邻检索的无监督少样本异常检测框架,仅用少量正常请求即可检测新型 API 注入攻击,并在两个数据集上优于 SOTA 基线。
2024-09-15 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
HTTP REST API Structure Learning
Ariel University(阿里埃勒大学);Ariel Cyber Innovation Center(阿里埃勒网络安全创新中心)
提出HRAL方法,从网络流量中无监督学习API端点结构与行为,无需预定义规则或文档,有效检测恶意活动,平均召回率82.07%,F1分数87.24%。
2026-07-03 cs.CR cs.SE
Enhancing GraphQL Security by Detecting Malicious Queries Using Large Language Models, Sentence Transformers, and Convolutional Neural Networks
Department. of CSE University of Moratuwa Colombo, Sri Lanka(计算机科学与工程系,穆塔瓦拉大学,科伦坡,斯里兰卡)
本文提出一种结合静态分析、LLM、句子转换器和CNN等机器学习技术的AI方法,用于实时检测恶意GraphQL查询,以增强API安全性,实验证明能高准确率识别多种攻击并有效缓解DoS和SSRF。
2025-10-08 cs.AI cs.CR cs.LG
DaDiDroid: An Obfuscation Resilient Tool for Detecting Android Malware via Weighted Directed Call Graph Modelling
自2012年以来,新的移动恶意软件实例的数量每年增长超过50%,移动应用程序中嵌入的恶意软件可以说是移动平台面临的最严重的安全问题之一。虽然混淆技术成功地用于保护应用程序开发人员的知识产权,但不幸的是,它们也经常被网络犯罪分子用来隐藏移动应用程序中的恶意内容并欺骗恶意软件检测工具。因此,大多数移动恶意软件检测方法无法区分良性和混淆的恶意应用程序。我们通过构建API调用的加权有向图来检查移动应用程序代码的图形特征,并验证恶意应用程序通常具有可用于将其与良性应用程序区分开的结构相似性,即使在严重“污染”的训练集下,其中大多数应用程序都被混淆。我们提出DaDiDroid的Android恶意软件应用程序检测工具,利用API调用的加权有向图的功能来检测(混淆)Android应用程序中的恶意软件代码的存在。我们发现DaDiDroid明显优于MaMaDroid [23],MaMaDroid是最近提出的恶意软件检测工具,已被证明在干净的非混淆环境中检测恶意软件非常有效。我们评估DaDiDroid的准确性和鲁棒性对几个规避技术使用各种数据集,共43,262良性和20,431恶意软件应用程序。我们发现,DaDiDroid正确标记了高达96%的Android恶意软件样本,同时通过独家使用混淆应用程序的训练集实现了91%的准确率。
2019-08-21 cs.CR
Efficient and Adaptable Detection of Malicious LLM Prompts via Bootstrap Aggregation
KAUST(卡塔尔人工智能研究所在线中心)
BAGEL通过Bootstrap聚合和专家混合方法,实现高效且适应性强的恶意LLM提示检测,以高F1得分超越现有大参数模型。
2026-10-21 cs.CR cs.LG
Hierarchical Manifold Projection for Ransomware Detection: A Novel Geometric Approach to Identifying Malicious Encryption Patterns
本文提出基于分层流形投影的勒索软件检测框架,通过几何特征分离恶意加密模式,在变体多样性和混淆下保持高准确率与实时可扩展性。
2025-03-25 cs.CR
CGraph: Graph Based Extensible Predictive Domain Threat Intelligence Platform
有效调查网络攻击中涉及的危害指标和相关网络资源的能力不仅对于识别受影响的网络资源而且对于检测相关恶意资源至关重要。今天,大多数网络威胁情报平台都是被动的,因为它们只能在攻击实施后才能识别攻击资源。此外,这些系统具有有限的调查相关联的网络资源的功能。在这项工作中,我们提出了一个名为cGraph的可扩展预测网络威胁情报平台,以解决上述限制。cGraph是一个图形优先的系统,研究人员可以利用基于图形的API来探索网络资源。此外,cGraph提供基于最先进的推理算法的实时预测能力,以从具有一些已知的恶意和良性种子的网络图中预测恶意域。据我们所知,cGraph是唯一这样做的威胁情报平台。cGraph是可扩展的,因为附加的网络资源可以透明地添加到系统中。
2022-02-16 cs.CR
MaMaDroid: Detecting Android Malware by Building Markov Chains of Behavioral Models (Extended Version)
University College London(伦敦大学学院);University of the West of England(西英格兰大学);Boston University(波士顿大学)
随着Android变得越来越受欢迎,针对它的恶意软件也越来越多,因此推动研究社区提出不同的检测技术。然而,Android生态系统和恶意软件本身的不断发展,使得很难设计出强大的工具,可以长时间运行,而无需修改或昂贵的重新培训。为了解决这个问题,我们从行为的角度来检测恶意软件,建模为抽象的API调用序列。我们介绍MaMaDroid,一个基于静态分析的系统,它将应用程序执行的API调用抽象为它们的类、包或家族,并从应用程序的调用图中获得的序列构建模型作为马尔可夫链。这确保了模型对API更改的弹性更强,并且功能集的大小可管理。我们使用在六年内收集的8.5K良性和35.5K恶意应用程序的数据集来评估MaMaDroid,结果表明它可以有效地检测恶意软件(高达0.99 F-measure),并在很长一段时间内保持其检测能力(训练后两年高达0.87 F-measure)。我们还表明,MaMaDroid显着优于DroidAPIMiner,一个国家的最先进的检测系统,依赖于(原始)API调用的频率。为了评估MaMaDroid的有效性是否主要源于API抽象或序列建模,我们还评估了它的一个变体,该变体使用抽象API调用的频率(而不是序列)。我们发现它并不准确,当在恶意软件样本上训练时,它无法捕捉恶意,这些恶意软件样本包括良性应用程序同样或更频繁使用的API调用。
2019-03-02 cs.AI cs.CR
A Static Malware Detection System Using Data Mining Methods
今天的一个严重威胁是恶意可执行文件。它的目的是破坏计算机系统,其中一些通过网络传播,而使用该系统的所有者不知情。两种方法已经得到了它,即基于签名的检测和基于启发式检测。这些方法对已知的恶意程序表现良好,但不能捕获新的恶意程序。不同的研究人员已经提出了使用数据采掘和机器学习来检测新的恶意程序的方法。与其他方法相比,基于数据采掘和机器学习的方法显示出良好的效果。本文提出了一种基于数据采掘技术的静态恶意软件检测系统,该系统采用了信息增益、主成分分析和三种分类器:SVM、J48和朴素贝叶斯。为了克服常用防病毒产品的不足,本文采用静态分析的方法提取Windows PE文件中有价值的特征。我们提取Windows可执行文件的原始特征,这些特征是PE头信息、DLL和Windows PE文件的每个DLL内的API函数。然后,通过计算原始特征的信息增益、调用频率,选择有价值的子集特征,再利用主成分分析对所选特征进行降维。采用机器学习和数据挖掘的思想,构建了一个静态恶意软件检测系统,检测率达到99.6%。
2013-08-13 cs.CR
Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
Université Paris Cité(巴黎西岱大学);Institut Polytechnique de Paris(巴黎理工学院);Télécom Paris(巴黎电信学院)
Delphi Scanner利用CNN建模API序列并辅以规则层解释,在19万PE文件上达95.35%准确率,模型仅1.53MB,且对分布外样本和对抗攻击具有鲁棒性,为本地恶意软件分流提供高效可解释方案。
2026-09-18 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
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
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
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
Benchmark Static API Call Datasets for Malware Family Classification
Gebze Technical University(盖布泽技术大学);Kadir Has University(卡迪尔哈斯大学)
如今,恶意软件和恶意软件事件每天都在增加,即使有各种防病毒系统和恶意软件检测或分类方法。机器学习技术已经成为安全专家检测恶意软件并确定其家族的主要焦点。为此目的,已经提出了许多静态、动态和混合技术。在这项研究中,静态分析技术已应用于恶意软件样本,以提取API调用,这是机器/深度学习模型中最常用的功能之一,因为它代表了恶意软件样本的行为。由于恶意软件的快速增长和不断演变影响了防病毒扫描程序的检测能力,因此需要最新和更新的恶意软件数据集来克服这一缺点。本文介绍了两个新的数据集:一个是从VirusShare获得和编译的14,616个样本,另一个是从VirusSample获得的9,795个样本。此外,基于恶意软件样本的静态API调用的基准测试结果使用这些数据集上的几个机器和深度学习模型来呈现。我们相信,这两个数据集和基准测试结果使研究人员能够测试和验证他们在这一领域的方法和途径。
2022-08-04 cs.AI cs.CR cs.LG
On the Effectiveness of System API-Related Information for Android Ransomware Detection
University of Cagliari(卡利亚里大学);National Research of Council(国家研究委员会);University of Sannio(桑尼奥大学)
勒索软件对Android操作系统构成重大威胁。它可以锁定或加密目标设备,受害者被迫支付赎金来恢复数据。因此,与其他恶意威胁相比,及时检测此类攻击具有优先级。以前关于Android恶意软件检测的工作主要集中在面向机器学习的方法上,这些方法专为识别恶意软件家族而量身定制,而没有明确关注勒索软件。更具体地说,这些方法采用了复杂的信息类型,如权限、用户实现的API调用和本机调用。然而,这导致了关于复杂性、对混淆的弹性和可解释性的重大缺点。为了克服这些问题,在本文中,我们提出并讨论了依赖于系统API信息的基于学习的检测策略。这些技术利用勒索软件攻击严重依赖系统API来执行其操作的事实,并允许区分一般恶意软件,勒索软件和好软件。我们测试了使用系统API信息的三种不同方式,即,通过包、类和方法,我们将它们的性能与其他更复杂的最先进的方法进行了比较。所获得的结果表明,基于System API的系统可以非常准确地检测勒索软件和通用恶意软件,与采用更复杂信息的系统相当。此外,所提出的系统可以准确地检测野生环境中的新样本,并显示出对静态混淆尝试的弹性。最后,为了保证早期的设备检测,我们在Android平台上开发并发布了一个完整的勒索软件和恶意软件检测器(R-PackDroid),该检测器采用本文提出的方法之一。
2019-06-26 cs.CR cs.LG
Behavioural Reports of Multi-Stage Malware
University of Exeter(埃克塞特大学)
恶意软件造成的广泛损害要求反恶意软件系统不断改进,以防止新的威胁。恶意软件检测的当前趋势是采用机器学习模型来辅助分类过程。我们提出了一个新的数据集,目的是改善当前的反恶意软件系统。此数据集的重点是通过为Windows 10虚拟机中执行的数千个恶意软件样本提供API调用序列来改进基于主机的入侵检测系统。提供了有关如何创建和扩展此数据集的教程,以及演示如何使用此数据集对恶意软件进行分类的基准测试。数据包含每个样本的API调用的长序列,并且为了创建可以在资源受限的设备中部署的模型,测试了三种特征选择方法。然而,主要的创新在于多标签分类系统,其中一个API序列可以用描述其恶意行为的多个标签进行标记。
2023-01-30 cs.CR cs.LG
A Context-aware Framework for Detecting Sensor-based Threats on Smart Devices
传感器(例如,光、陀螺仪、加速度计)和智能设备上的感测使能的应用使得应用更加用户友好和高效。然而,当前智能设备的基于权限的传感器管理系统仅关注某些传感器,并且任何App仅通过访问通用传感器应用编程接口(API)就可以访问其他传感器。通过这种方式,攻击者可以通过多种方式利用这些传感器:他们可以提取或泄露用户的敏感信息,传输恶意软件,或者记录或窃取附近其他设备的敏感信息。在本文中,我们提出了6thSense,一个上下文感知的入侵检测系统,它通过观察用户不同任务的传感器数据的变化,并创建一个上下文模型来区分传感器的良性和恶意行为,从而增强了智能设备的安全性。6thSense利用三种不同的基于机器学习的检测机制(即,马尔可夫链,朴素贝叶斯和LMT)。我们在几个传感器丰富的基于Android的智能设备上实现了6thSense(即,智能手表和智能手机),并从100个真实用户的典型日常活动中收集数据。此外,我们评估了6thSense针对三种基于传感器的威胁的性能:(1)可以通过传感器触发的恶意应用程序,(2)可以通过传感器泄漏信息的恶意应用程序,以及(3)可以使用传感器窃取数据的恶意应用程序。我们的广泛评估表明,6thSense框架是一种有效且实用的方法,可以在不影响设备正常功能的情况下,以96%以上的准确率击败日益增长的基于传感器的威胁。此外,我们的框架揭示了最小的开销。
2019-10-22 cs.CR
Enhanced Cyber Threat Intelligence by Network Forensic Analysis for Ransomware as a Service(RaaS) Malwares
Indian Institute of Technology Indore(印多尔印度理工学院);Siddaganga Institute of Technology(西达甘加理工学院);Assam Science and Technology University(阿萨姆科学技术大学)
通过网络取证分析RaaS恶意软件数据包,生成签名以提升对勒索软件即服务的早期检测与防御能力。
2026-01-20 cs.CR
AuthProbe: Specification-Driven, Multi-Identity Detection of Broken Object-Level Authorization in Recruitment API
Independent Researcher
AuthProbe是开源黑盒扫描器,基于OpenAPI规范,以多身份检测招聘API中对象级授权漏洞。能发现身份合法拥有的对象,检测跨身份读取、枚举等问题,在合成API上无误报,运行时间线性增长,以Apache 2.0许可发布。
2026-07-24 cs.CR cs.HC
MaMaDroid: Detecting Android Malware by Building Markov Chains of Behavioral Models
随着Android平台的普及,针对该平台的恶意软件威胁激增。随着Android恶意软件和操作系统本身的不断发展,设计强大的恶意软件缓解技术非常具有挑战性,这些技术可以长时间运行,而无需修改或昂贵的重新培训。在本文中,我们介绍了MaMaDroid,一个依赖于应用程序行为的Android恶意软件检测系统。MaMaDroid以马尔可夫链的形式,从应用程序执行的抽象API调用序列中构建行为模型,并使用它来提取特征和执行分类。通过抽象调用它们的包或家族,MaMaDroid保持对API更改的弹性,并保持功能集大小可管理。我们在六年内收集的8.5K良性应用程序和35.5K恶意应用程序的数据集上评估了其准确性,结果表明,它不仅可以有效地检测恶意软件(高达99%的F测量值),而且系统构建的模型可以长时间保持其检测能力(平均值分别为86%和75%的F测量值,训练后一年和两年)。最后,我们与DroidAPIMiner进行了比较,DroidAPIMiner是一个依赖于应用程序执行API调用频率的最先进的系统,表明MaMaDroid的性能明显优于它。
2017-11-20 cs.CR
SkillGate: Cost Efficient Runtime Malicious Skill File Detection in Coding Agents
Monash University(蒙纳士大学);Transurban;The University of Melbourne(墨尔本大学)
研究针对编码代理中恶意技能文件检测问题,提出SkillGate安全网关,采用混合正则表达式预过滤器+大语言模型判断管道,在SkillsBench基准测试中,检测效果好、成本低、运行时开销小,相比现有工具性能显著提升。
2026-07-29 cs.CR cs.SE
Malware Detection based on API calls
University of Passau(帕绍大学);GData Cyberdefense(GData网络防御公司);Reykjavik University(雷克雅未克大学)
提出一种不依赖 API 调用顺序的轻量级恶意软件检测方法,构建超 30 万样本公开数据集,并证明仅用 ntdll.dll 调用即可实现超过 85% 的 F1-Score。
2025-02-18 cs.CR cs.LG
IssueTrojanBench: Benchmarking AI Coding Agents Against Malicious Issue Requests
Concordia University(康科德大学)
研究针对恶意问题请求对人工智能编码代理进行基准测试,通过构建包含多种攻击类别和交付向量的新型基准IssueTrojanBench,发现现代编码代理存在关键漏洞,强调需更强安全机制保护。
2026-07-24 cs.AI cs.CR cs.SE
PyFEX: Uncovering Evasive Python-based Threats via Resilient and Exhaustive Path Exploration
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心);University of Electronic Science and Technology(电子科技大学);Shanghai Jiao Tong University(上海交通大学);Max Planck Institute for Security and Privacy(马克斯·普朗克安全与隐私研究所)
提出PyFEX弹性强制执行引擎,通过强制遍历所有条件分支、崩溃恢复和路径合并等技术,系统性地探索程序行为空间,以检测现有工具遗漏的恶意行为。
2026-06-01 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
Client-Side Zero-Shot LLM Inference for Comprehensive In-Browser URL Analysis
本文提出一种完全在浏览器内运行的客户端零样本 LLM 框架,结合静态代码分析、动态沙箱执行和页面内容对 URL 进行恶意性分类与解释,在保护隐私的同时实现与云端方案相当的检测准确率。
2025-06-04 cs.CR
Secure Development of a Hooking-Based Deception Framework Against Keylogging Techniques
针对键盘记录器,提出基于API钩子的欺骗框架,通过加固钩子层抵抗反钩子技术,注入诱饵按键,实验证明能有效欺骗攻击者且开销极低。
2025-08-06 cs.CR
SeqShield: A Behavioral Analysis Approach to Uncover Rootkits
Department of Computer Science and Enginerring(计算机科学与工程系);Indian Institute of Technology(印度理工学院);International Institute of Information Technology(国际信息科技研究所);C3iHub Center(C3iHub中心)
本文提出SeqShield,一种基于API调用序列的动态行为分析方法,用于检测Windows系统中的根kit。通过n-gram分析提取特征,随机森林模型在大写和三元组上分别达到97.27%和96.17%的准确率。
2026-04-26 cs.CR cs.LG
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
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
MistralBSM: Leveraging Mistral-7B for Vehicular Networks Misbehavior Detection
Department of Computer and Software Engineering(计算机与软件工程系)
提出基于Mistral-7B微调的边缘-云异常检测系统MistralBSM,仅更新0.012%参数即在VeReMi数据集上达到98%二分类和96%多分类准确率,优于LLAMA2-7B和RoBERTa。
2025-11-02 cs.CR cs.LG
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
SPECTRE: A Hybrid System for an Adaptative and Optimised Cyber Threats Detection, Response and Investigation in Volatile Memory
University of Westminster(威斯敏斯特大学);London Metropolitan University(伦敦城市大学);University of Liverpool(利物浦大学);Staffordshire University(斯塔福德郡大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
SPECTRE是一种混合系统,利用内存和网络取证技术,通过模块化设计提升网络安全威胁的检测、响应和调查能力。
2025-01-07 cs.CR cs.NI cs.OS
DeepFense: Online Accelerated Defense Against Adversarial Deep Learning
University of California San Diego(加州大学圣地亚哥分校)
对抗性深度学习(DL)的最新进展为恶意攻击开辟了一个基本上未被探索的领域,这些恶意攻击危及自主DL系统的完整性。随着DL在关键和时间敏感的应用中的广泛使用,包括无人驾驶汽车,无人机和视频监控系统,恶意输入的在线检测至关重要。我们提出了DeepFense,这是第一个端到端的自动化框架,可以同时实现DL模型的高效和安全执行。DeepFense将挫败对抗攻击的目标形式化为一个优化问题,最小化DL网络所覆盖的潜在特征空间中很少观察到的区域。为了解决上述最小化问题,训练一组互补但不相交的模块化冗余,以与受害者DL模型并行地验证输入样本的合法性。DeepFense利用硬件/软件/算法协同设计和自定义加速,在资源受限的环境中实现即时性能。所提出的对策是无监督的,这意味着没有对抗样本被利用来训练模块冗余。我们还提供了一个配套的API,以减少非经常性的工程成本,并确保自动适应各种平台。在FPGA和GPU上进行的广泛评估表明,在实现在线对抗样本检测的同时,性能提高了两个数量级。
2018-08-21 cs.CR cs.LG stat.ML