Comprehensive Efficiency Analysis of Machine Learning Algorithms for Developing Hardware-Based Cybersecurity Countermeasures
California State University, Long Beach（加州州立大学长滩分校）
现代计算系统已经导致网络对手创建比技术早期更复杂的恶意软件。过时的检测技术，如基于签名方法的反病毒软件（AVS），已经不能满足计算机系统对它们的要求。现代恶意软件的复杂性导致了当代检测技术的发展，这些技术使用机器学习领域和硬件来提高恶意软件的检测率。这些新技术使用硬件性能计数器（HPC），形成各种数字签名。在向模型提供训练数据之后，它们可以参考这些HPC来对零日恶意软件样本进行分类。当没有可比HPC值的恶意软件与这些新技术接触时，就会出现问题。我们提供了几个机器学习和深度学习模型的分析，这些模型运行零日样本，并评估从C++算法到用于开始硬件实现的硬件描述语言（HDL）的转换结果。我们的结果显示，当运行零日恶意软件数据时，模型缺乏准确性，因为我们的最高检测器决策树只能达到91.2%的准确率，并且以决策树的形式具有91.5%的F1分数。接下来，通过受试者工作曲线（ROC）和曲线下面积（AUC），我们还可以确定算法没有表现出显著的鲁棒性，因为最大AUC仅为0.819。此外，我们看到集成学习算法的开销相对较高，同时也只有86.3%的准确率和86%的F1分数。最后，作为一项额外的任务，我们调整了一个规则算法，以适应许多规则，使恶意软件分类可以理解的日常用户，让他们查看的法规，同时保持相对较高的准确性。
2022-01-05 cs.CR cs.LG
Machine Learning for Malware Evolution Detection
San Jose State University（圣何塞州立大学）
恶意软件会随着时间的推移而演变，防病毒软件必须适应这种演变。因此，关键是要及时检测恶意软件已经发展的那些点，以便采取适当的对策。在这项研究中，我们对大量的恶意软件家族进行了各种实验，以确定恶意软件演变可能发生的时间。我们考虑的所有进化检测技术都基于机器学习，并且可以完全自动化-特别是，不需要逆向工程或其他劳动密集型手动分析。具体来说，我们考虑基于隐马尔可夫模型（HMM）和词嵌入技术HMM 2 Vec和Word 2 Vec的分析。
2021-07-04 cs.CR cs.LG
Exploring the connection between coding habits and cognitive styles in malware developers
University of Piraeus（比雷埃夫斯大学）；Athena Research Centre（雅典研究中心）；Universitat Rovira i Virgili（罗维拉-依维尔吉大学）
通过分析泄露的恶意软件源码与良性开源软件，应用静态安全测试和软件度量，基于认知心理学和犯罪学理论，揭示恶意软件开发者在代码结构、质量、漏洞模式上的独特行为特征，表明其开发风格优先考虑便捷性、操作保密性和规避性而非长期可维护性。
2026-06-04 cs.CR
When the Guard failed the Droid: A case study of Android malware
Android恶意软件是全球数十亿用户的持续威胁。作为一种对策，偶尔会实施Android恶意软件检测系统。然而，这些系统通常易受\emph{evasion attacks}攻击，在这种攻击中，攻击者操纵恶意实例，从而将它们误认为是良性的。在本文中，我们针对几个Android恶意软件检测系统推出了各种创新的规避攻击。所有这些系统固有的漏洞是，它们是Androguard~ \cite{desnos2011androguard}的一部分，这是一个流行的开源库，用于Android恶意软件检测系统。一些检测系统在攻击后检测率下降到0。因此，在恶意软件检测系统中使用开源库需要谨慎。此外，我们提出了一种新的评估方案规避攻击生成，利用已知的Android恶意软件检测系统的弱点。通过这样做，我们评估了规避攻击所创建的操纵实例的功能和恶意性。我们发现，在恶意和功能测试我们操纵的应用程序的变化。我们表明，非功能性的应用程序，而被认为是恶意的，不威胁用户，因此从攻击者的角度来看是无用的。我们的结论是，规避攻击必须评估功能和恶意，以评估其影响，这是一个步骤，这是远远不常见的今天。
2020-03-31 cs.CR
Word Embedding Techniques for Malware Evolution Detection
San Jose State University（圣何塞州立大学）
恶意软件检测是信息安全的一个重要方面。出现的一个困难是，恶意软件往往随着时间的推移而演变。为了保持有效的恶意软件检测，有必要确定恶意软件何时发生演变，以便采取适当的对策。我们进行了各种实验，旨在检测恶意软件家族可能演变的时间点，我们考虑了旨在确认演变实际发生的二次测试。分析了几个恶意软件家族，每个家族都包括在很长一段时间内收集的大量样本。我们的实验表明，使用基于词嵌入技术的特征工程获得了改进的结果。我们所有的实验都是基于机器学习模型，因此我们的进化检测策略需要最少的人为干预，可以很容易地自动化。
2021-03-07 cs.CR cs.LG
A novel DL approach to PE malware detection: exploring Glove vectorization, MCC_RCNN and feature fusion
Beijing Key Laboratory of Security and Privacy in Intelligent Transportation, Beijing Jiaotong University（北京交通大学智能交通信息安全与隐私保护北京市重点实验室）
近年来，恶意软件变得更具威胁性。关于不断增加的恶意软件变体，出现了基于机器学习（ML）和基于深度学习（DL）的启发式检测方法。然而，两者的预测精度都有待提高。针对PE恶意软件领域中的上述问题，我们提出了基于DL的检测方法，并使用基于静态的特征馈送到模型中。本文的主要贡献如下：概括了现有的恶意软件检测方法。提出了一种基于Glove的恶意软件指令层和语义层的矢量化表示模型。我们实现了一个称为MCC_R CNN（恶意软件检测和递归卷积神经网络）的神经网络模型，包括CNN和RNN的组合。此外，我们提供了一个描述的特征融合在静态行为水平。通过对基于手套的矢量化、基于MCC_RCNN的分类方法和特征融合阶段的比较实验，我们提出的分类方法可以获得比其他基线方法更高的预测精度。
2021-02-04 cs.CR cs.LG
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
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
Exploring Adversarial Examples in Malware Detection
University of Maryland, College Park（马里兰大学帕克分校）；FireEye, Inc.（火眼公司）
卷积神经网络（CNN）架构正越来越多地应用于新的领域，例如恶意软件检测，其中它能够从可执行文件中提取的原始字节中学习恶意行为。这些架构达到了令人印象深刻的性能，没有涉及功能工程的努力，但他们对主动攻击者的鲁棒性还有待了解。这样的恶意软件检测器可能会面临一个新的攻击向量，其形式是对分类模型的对抗性干扰。现有的规避攻击，旨在造成错误分类的测试时的实例，这已被广泛研究的图像分类器，是不适用的，因为输入语义，防止任意更改的二进制文件。本文探讨了恶意软件检测的对抗性示例领域。通过在生产规模数据集上训练现有模型，我们发现以前的一些攻击不如最初报告的有效，同时突出了有助于恶意软件分类的新攻击策略的架构弱点。最后，我们探讨了如何推广不同的攻击策略，权衡时，旨在提高其有效性，以及单步攻击的可转移性。
2019-04-13 cs.CR cs.LG stat.ML
Problem-Space Evasion Attacks in the Android OS: a Survey
Android是全球最受欢迎的操作系统。因此，它是各种恶意软件的目标。作为一种对策，安全社区夜以继日地开发适当的Android恶意软件检测系统，其中基于ML或基于DL的系统被认为是最常见的类型。针对这些检测系统，智能对手开发了一系列规避攻击，其中攻击者稍微修改恶意软件样本以逃避其目标检测系统。在本调查中，我们解决了Android操作系统中的问题空间规避攻击，攻击者操纵实际的APK，而不是其提取的特征向量。我们的目标是探索这类攻击，由于缺乏对Android领域的了解，或者由于专注于一般的数学规避攻击，这类攻击经常被研究社区忽视-即，特征空间规避攻击我们讨论了问题空间规避攻击的不同方面，使用一种新的分类法，它侧重于每个问题空间攻击的关键成分，如攻击者模型，攻击者的操作模式，以及攻击后应用程序的功能评估。
2022-06-21 cs.CR
Rethinking and Exploring String-Based Malware Family Classification in the Era of LLMs and RAG
University of Oregon（俄勒冈大学）；City University of Hong Kong（香港城市大学）；Sun Yat-sen University（中山大学）；Calvin University（加州学院）
本文探索在大语言模型与RAG时代利用传统二进制字符串特征（家族特定字符串）进行恶意软件家族分类，通过覆盖67个家族、4,347个样本的评估框架和消融研究，验证了该方法的可行性并量化了各模块的改进效果。
2025-10-26 cs.AI cs.CR cs.SE
MALSIGHT: Exploring Malicious Source Code and Benign Pseudocode for Iterative Binary Malware Summarization
National Engineering Research Center for Mobile Network Technologies（移动网络技术国家工程研究中心）；Beijing University of Posts and Telecommunications（北京邮电大学）；Zhongguancun Laboratory（中关村实验室）
针对现有二进制恶意软件摘要生成方法可用性差、不准确、不完整及函数调用关系挖掘不足的问题，提出MALSIGHT框架，构建专用数据集并训练MalT5模型，通过迭代生成摘要，以更小参数规模实现了与大模型相当的效果。
2025-06-17 cs.AI cs.CR cs.SE
A Review on The Use of Deep Learning in Android Malware Detection
North China Electric Power University（华北电力大学）
Android是过去几年中占主导地位的移动操作系统。可以由Android驱动的设备的流行不仅吸引了应用程序开发人员，而且还吸引了恶意软件开发人员，他们具有犯罪意图，可以设计和传播恶意应用程序，这些应用程序可以影响Android手机和平板电脑的正常工作，窃取个人信息和凭据数据，甚至更糟的是锁定手机并要求赎金。研究人员不断设计对策策略来反击恶意软件。在过去五年中应用的策略之一是在Android恶意软件检测中使用深度学习方法。这就需要对已完成的工作进行审查，以了解已建立的努力，确定未解决的问题，并激励未来的研究方向。在这项工作中，静态分析，动态分析和混合分析，利用深度学习方法进行了广泛的调查，并详细讨论了它们的关键概念，贡献和局限性。
2018-12-26 cs.CR cs.LG stat.ML
A Survey of Stealth Malware: Attacks, Mitigation Measures, and Steps Toward Autonomous Open World Solutions
University of Colorado at Colorado Springs（科罗拉多大学科罗拉多泉分校）
随着我们的职业、社会和金融领域日益数字化，以及我们的政府、医疗保健和军事基础设施越来越依赖计算机技术，它们为恶意软件提供了更大、更有利可图的目标。特别是隐形恶意软件构成了更大的威胁，因为它专门设计用于逃避检测机制，在长时间内在野外休眠传播，收集敏感信息或定位自己以进行高影响力的零日攻击。监管不断增长的攻击面需要开发具有改进的泛化能力的高效反恶意软件解决方案，以检测新型恶意软件并在尽可能减少人类专家负担的情况下解决这些事件。在本文中，我们调查恶意隐形技术以及现有的解决方案，检测和分类这些对策自主。虽然机器学习提供了越来越多的自主解决方案的潜力，提高了泛化到新的恶意软件类型，在网络级别和主机级别，我们的研究结果表明，几个有缺陷的假设固有的大多数识别算法，防止隐形恶意软件识别问题和机器学习解决方案之间的直接映射。这些有缺陷的假设中最值得注意的是封闭世界假设：在查询时不会出现属于静态训练集之外的类的样本。我们提出了一个形式化的自适应开放世界框架隐形恶意软件识别和数学相关的研究从其他机器学习领域。
2016-12-02 cs.CR cs.CV
EMULATOR vs REAL PHONE: Android Malware Detection Using Machine Learning
Queen’s University Belfast（英国女王大学）
Android操作系统已成为智能手机和平板电脑最受欢迎的操作系统，导致恶意软件的快速增长。复杂的Android恶意软件采用检测规避技术，以隐藏其恶意活动，使其不受分析工具的影响。这些包括广泛的反仿真器技术，其中恶意软件程序试图通过检测仿真器来隐藏其恶意活动。因此，反仿真对策在Android恶意软件检测中变得越来越重要。基于真实设备的分析和检测可以缓解反仿真问题，提高动态分析的有效性。因此，在本文中，我们提出了一个调查的机器学习的恶意软件检测使用动态分析的真实设备。实现了一个工具来自动从Android手机中提取动态特征，并通过几个实验，通过几种机器学习算法进行了基于仿真器与基于设备的检测的比较分析。我们的研究表明，几个功能可以更有效地提取设备上的动态分析相比，仿真器。研究还发现，在手机上成功分析的应用程序数量增加了约24%。此外，所有研究的基于机器学习的检测在应用于从设备上动态分析提取的特征时表现更好。
2017-03-31 cs.AI 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
Adversarial Deep Ensemble: Evasion Attacks and Defenses for Malware Detection
Nanjing University of Science and Technology（南京理工大学）
恶意软件仍然是网络安全的一大威胁，需要基于机器学习的恶意软件检测。虽然很有前途，但已知这种检测器容易受到规避攻击。包围学习通常有助于采取对策，而攻击者也可以利用这种技术来提高攻击效率。这促使我们研究集成防御的鲁棒性或集成攻击的有效性，特别是当它们相互攻击时。因此，我们提出了一种新的攻击方法，命名为混合攻击，使攻击者能够多个生成方法和多个操作集，扰乱恶意软件的例子，而不会破坏其恶意功能。这自然会导致对抗性训练的新实例化，从而进一步增强深度神经网络的整体。我们使用Android恶意软件检测器对两个实际数据集上的26种不同攻击进行防御评估。实验结果表明，新的对抗性训练显著增强了深度神经网络对各种攻击的鲁棒性，当基分类器足够鲁棒时，集成方法可以提高鲁棒性，但集成攻击可以有效地避开增强的恶意软件检测器，甚至显着降低了VirusTotal服务。
2020-06-30 cs.CR cs.LG stat.ML
DroidRL: Reinforcement Learning Driven Feature Selection for Android Malware Detection
由于Android的完全开源性质，恶意软件攻击的可利用漏洞正在增加。机器学习近年来在Android恶意软件检测方面取得了很大的进展，通常应用于分类阶段。由于传统的基于排序的特征选择算法忽略了特征之间的相关性，因此应用基于包装器的特征选择模型是一个值得研究的课题。虽然考虑到特征之间的相关性，但在处理大量Android特征时，基于包装器的方法用于探索所有可能的有效特征子集是耗时的。为了减少基于包装器的特征选择的计算开销，提出了一个名为DroidRL的框架。该框架部署DDQN算法，以获得一个子集的功能，可用于有效的恶意软件分类。为了在更大范围内选择有效的特征子集，在模型训练阶段应用探索-利用策略。递归神经网络（RNN）被用作DDQN的决策网络，使框架能够顺序选择特征。词嵌入用于特征表示，以增强框架发现特征语义相关性的能力。该框架的特征选择在没有任何人为干预的情况下表现出高性能，并且可以通过微小的更改移植到其他特征选择任务中。实验结果表明，当使用随机森林作为DroidRL的分类器时，仅选择24个特征就达到了95.6%的准确率。
2023-02-10 cs.CR
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 Review on the Security Vulnerabilities of the IoMT against Malware Attacks and DDoS
该综述梳理2019-2024年相关研究，分析IoMT在恶意软件与DDoS攻击下的安全漏洞及成因，提出机器学习、区块链等缓解方案，呼吁开发轻量级安全措施与标准化协议。
2025-01-13 cs.CR
Early Detection Of Mirai-Like IoT Bots In Large-Scale Networks Through Sub-Sampled Packet Traffic Analysis
物联网的广泛采用导致了许多安全问题。最近，物联网设备上出现了恶意软件攻击，其中最突出的是Mirai。IP摄像头、DVR和路由器等物联网设备受到Mirai恶意软件的危害，后来在2016年10月使用这些受感染的设备（机器人）传播了大规模DDoS攻击。在这项研究中，我们开发了一种基于网络的算法，可用于检测大规模网络（例如ISP网络）中被Mirai或类似恶意软件感染的物联网机器人。该算法特别针对扫描网络中易受攻击设备的机器人，因为僵尸网络的典型扫描阶段持续数月，并且机器人在参与实际攻击之前就可以被检测到。我们分析Mirai恶意软件的独特签名，以识别其在物联网设备中的存在。接下来将讨论我们的机器人检测解决方案的未来部署以及检测后可以采取的对策。此外，为了优化计算资源的使用，我们使用二维（2D）数据包采样方法，其中我们对IoT设备跨时间和跨设备传输的数据包进行采样。利用识别的Mirai签名和2D数据包采样方法，提出了一种机器人检测算法。随后，我们使用测试床测量和模拟来研究机器人检测延迟和设备数据包的采样频率之间的关系。最后，我们从获得的结果中获得见解，并使用它们来设计我们提出的机器人检测算法。
2019-12-13 cs.CR
Guardians of Anonymity: Exploring Tactics to Combat Cyber Threats in Onion Routing Environments
本文综述洋葱路由网络中的网络犯罪类型、检测挑战及执法、技术与政策对策，并指出其局限和跨学科未来研究方向。
2024-05-11 cs.CR cs.NI
Federated Learning for Malware Detection in IoT Devices
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Murcia（穆尔西亚大学）；University of Zurich UZH（苏黎世大学）；Cyber-Defence Campus, armasuisse Science & Technology（瑞士国防部科技局网络防御校区）
这项工作调查了联邦学习在物联网恶意软件检测方面的可能性，并研究了这种新学习范式所固有的安全问题。在此背景下，提出了一种使用联邦学习来检测影响IoT设备的恶意软件的框架。N-BaIoT是一个数据集，对受恶意软件影响的几个真实物联网设备的网络流量进行建模，已被用于评估所提出的框架。有监督和无监督的联邦模型（多层感知器和自动编码器）都能够检测影响N-BaIoT可见和不可见物联网设备的恶意软件。此外，他们的表现进行了比较，两个传统的方法。第一种是让每个参与者只使用自己的数据在本地训练模型，而第二种是让参与者与负责训练全局模型的中央实体共享数据。这种比较表明，使用更多样化和更大的数据，如在联邦和集中式方法中所做的那样，对模型性能有相当大的积极影响。此外，联邦模型，同时保护参与者的隐私，表现出类似的结果集中的。作为一个额外的贡献，并衡量联邦方法的鲁棒性，一个对抗性的设置与几个恶意参与者中毒的联邦模型已被考虑。在大多数联邦学习算法中使用的基线模型聚合平均步骤似乎非常容易受到不同的攻击，即使是单一的对手。因此，在相同的攻击场景下，作为对策的其他模型聚合功能的性能进行评估。这些功能提供了针对恶意参与者的显著改进，但是仍然需要更多的努力来使联邦方法健壮。
2021-11-19 cs.CR cs.LG
Identification of Significant Permissions for Efficient Android Malware Detection
BITS Pilani（BITS Pilani（比拉斯布尔理工学院））；Microsoft R&D（微软研发部门）
自从谷歌推出智能手机Android操作系统以来，恶意软件正以3V（即数量、速度和多样性）蓬勃发展。最近的一份报告显示，每五个企业/行业移动应用程序中就有一个泄露敏感的个人数据。传统的基于签名/密码学的恶意软件检测系统无法应对当前的恶意软件挑战，从而威胁到Android生态系统。因此，最近研究人员已经开始探索基于机器学习和深度学习的恶意软件检测系统。在本文中，我们进行了全面的特征分析，以确定显着的Android权限，并提出了一个有效的Android恶意软件检测系统，使用机器学习和深度神经网络。我们构建了一组$16$权限（总集合的$8\%$），这些权限来自方差阈值、自动编码器和主成分分析，以构建一个恶意软件检测引擎，该引擎消耗较少的训练和测试时间，而不会显著影响模型准确性。实验结果表明，基于随机森林分类器的Android恶意软件检测模型是最均衡的，达到了最高的曲线下面积分数$97.7\%$，优于当前最先进的系统。我们还观察到，深度神经网络达到了与基线结果相当的准确性，但计算量很大。
2021-02-28 cs.CR cs.LG
MalLoc: Toward Fine-grained Android Malicious Payload Localization via LLMs
针对传统技术无法细粒度定位Android恶意负载的局限，提出利用大语言模型代码理解能力的MalLoc方法，实验证明其可行性与有效性，能提升分析精度和可解释性，为恶意软件研究开辟新方向。
2025-08-25 cs.CR cs.SE
Exploring the Use of Static and Dynamic Analysis to Improve the Performance of the Mining Sandbox Approach for Android Malware Identification
Android挖掘沙盒方法包括在Android应用的良性版本上运行动态分析工具，并记录对敏感API的每次调用。之后，可以使用这些信息来（a）阻止对其他敏感API（以前未记录的API）的调用，或（b）在不同版本的应用程序中再次运行动态分析工具，以识别可能的恶意行为。虽然之前已经对使用动态分析挖掘Android沙箱进行了实证研究，但对于将静态分析与挖掘沙箱方法相结合以识别恶意行为的潜在好处知之甚少。因此，在本文中，我们提出了两个实证研究的结果：第一个是一个不精确的复制以前的研究工作，从鲍等人，它比较了用于挖掘Android沙箱的测试用例生成工具的性能。第二个是一个新的实验，调查使用污点分析算法的影响，以补充挖掘沙箱的方法在任务中，以确定恶意行为。我们的研究带来了几个发现。例如，第一项研究表明，DroidFax（Bao等人研究中用于检测Android应用程序的工具）的静态分析组件对先前工作中探索的动态分析工具的性能有很大贡献。第二个研究的结果表明，污点分析也是实用的，以补充挖掘沙箱的方法，提高性能的后一个战略在最多28.57%。
2021-09-14 cs.CR cs.SE
Towards an in-depth detection of malware using distributed QCNN
Orange Innovation（Orange创新研究院）
针对少量量子比特下量子神经网络在图像类恶意软件检测中表现不佳的问题，提出灰度预处理结合5个分布式QCNN与评分函数的方案，在不增量子比特的前提下将检测准确率与F1分数提升约20%。
2023-12-19 cs.AI cs.CR quant-ph
A Survey on Adversarial Machine Learning for Code Data: Realistic Threats, Countermeasures, and Interpretations
本文综述了代码语言模型在对抗环境下的安全漏洞，基于CIA三要素将攻击分为投毒、规避和隐私三类，分析了79篇相关论文的威胁模型、攻击技术与对策，并引入可解释AI视角探讨风险联系，为构建更可靠的CLMs提供研究路线图。
2024-11-12 cs.CR
Comparative Analysis of Hash-based Malware Clustering via K-Means
Edinburgh Napier University, Scotland, UK（爱丁堡纳皮尔大学，苏格兰，英国）；Department of Information Technology, The American College of Greece, Athens, Greece（信息科技系，美国希腊学院，雅典，希腊）
本文通过K均值算法比较了SSDeep、TLSH和IMPHash在恶意软件聚类中的性能，发现TLSH和IMPHash能产生更语义明确的聚类，而SSDeep更适合广泛分类任务。
2025-12-10 cs.CR cs.LG
Detection of Malicious and Low Throughput Data Exfiltration Over the DNS Protocol
在存在安全对策的情况下，设计用于数据泄露的恶意软件必须使用隐蔽通道来实现其目标。在现有的隐蔽通道中有域名系统（DNS）协议。虽然在过去的十年中，DNS上的隐蔽通道的检测已经得到了深入的研究，以前的研究涉及一个特定的隐蔽通道的子类，即DNS隧道。虽然隧道检测的重要性没有被削弱，但一类低吞吐量DNS渗透恶意软件仍然被忽视。本研究的目标是提出一种方法，用于检测隧道和低吞吐量的数据泄露的DNS。为此，我们提出了一个解决方案，包括一个监督特征选择方法，和一个可互换的，可调整的异常检测模型训练的合法流量。在第一步中，应用单类分类器来检测不符合正常行为的特定于域的流量。然后，在第二步中，为了减少由于尝试检测低吞吐量数据泄漏而导致的误报率，我们应用基于规则的过滤器，该过滤器过滤合法服务使用的DNS上的数据交换。我们的解决方案在中等规模的递归DNS服务器日志上进行了评估，涉及超过75，000次合法使用和近2，000次攻击。评估结果表明，虽然DNS隧道覆盖至少99%的召回率和小于0.01%的误报率，低吞吐量的渗透检测是比较困难的。虽然不能完全阻止它，但我们的解决方案在DNS语法的限制下（相当于每小时5个信用卡详细信息或10个用户凭据）限制了恶意软件试图避免检测的最多1 kb/h有效负载，这降低了攻击的有效性。
2018-06-18 cs.CR
Permutation-Based Stegomalware in Large Language Models: Threats and Countermeasures
Fuzzy Labs（模糊实验室）
本文利用行为保持置换对称性，既作为中和LLM隐恶意软件的防御手段，也作为理论上无损的攻击编码方法，并量化了其性能损失极小。
2026-09-16 cs.AI cs.CR cs.LG
StratDef: Strategic Defense Against Adversarial Attacks in ML-based Malware Detection
King’s College London（伦敦国王学院）
提出基于移动目标防御的 StratDef 系统，通过动态策略化选择模型降低攻击可迁移性，并在多威胁级别下证明其优于现有恶意软件检测防御。
2023-04-24 cs.CR cs.LG
Improving Cybercrime Detection and Digital Forensics Investigations with Artificial Intelligence
本文探讨利用人工智能改进网络犯罪检测与数字取证，并展示聊天机器人可被用于隐写术编码，作为反取证手段。
2025-10-16 cs.CR
Exploring the Limits of Transfer Learning with Unified Model in the Cybersecurity Domain
Arizona State University（亚利桑那州立大学）
随着软件系统网络安全漏洞的增加，利用它们的方式也越来越多。除此之外，恶意软件威胁，不规则的网络交互以及公共论坛上关于漏洞利用的讨论也在增加。为了更快地识别这些威胁，从任何文本中检测潜在的相关实体，并了解软件漏洞，自动化方法是必要的。在网络安全领域应用自然语言处理（NLP）技术可以帮助实现这一目标。然而，也存在一些挑战，如网络安全领域所涉及的文本的多样性，无法获得大规模的公开数据集，以及聘请主题专家进行注释的巨大成本。其中一个解决方案是建立多任务模型，可以用有限的数据进行联合训练。在这项工作中，我们引入了一个生成式多任务模型，统一文本到文本网络安全（UTS），在恶意软件报告，钓鱼网站URL，编程代码结构，社交媒体数据，博客，新闻文章和公共论坛帖子上进行了培训。我们发现UTS提高了一些网络安全数据集的性能。我们还表明，通过一些例子，UTS可以适应新的看不见的任务和数据的性质
2023-02-20 cs.AI cs.CL cs.CR
Two Challenges of Stealthy Hypervisors Detection: Time Cheating and Data Fluctuations
硬件虚拟化技术在网络安全中发挥着重要作用。一方面，这些技术通过设计可信的操作系统来增强安全级别。另一方面，这些技术可以被用于现代恶意软件，这是相当难以检测的。没有现有的方法是能够有效地检测一个虚拟机管理程序在面对的对策，如时间欺骗，临时自卸载，内存隐藏等新的虚拟机管理程序检测方法，本文将描述可以检测到这些对策下的虚拟机管理程序，甚至数几个嵌套的。这些新方法依赖于通过检查一组指令对时间差异进行新的统计分析，这些指令被管理程序无条件地拦截。通过对收集到的数据进行综合分析，尽管数据有波动，但仍取得了可靠性。这些提供的方法在Intel和AMD CPU中进行了全面评估。
2015-06-12 cs.CR stat.AP stat.CO
MEASER: Malware embedding attacks on open-source LLMs
Information Engineering University（信息工程大学）；Laboratory of Cyberspace Endogenous Security（网络空间内生安全实验室）；National Key Laboratory of advanced communication networks（先进通信网络国家重点实验室）；Key Laboratory of Cyberspace Security Ministry of Education of China（中国教育部网络空间安全重点实验室）；Henan Province Key Laboratory of Information Security（河南省信息安全重点实验室）；State Key Laboratory of Integrated Service Networks（集成服务网络国家重点实验室）；Institute of Mathematics and Interdisciplinary Sciences（数学与交叉科学研究院）
研究针对开源大语言模型的恶意嵌入攻击，提出MEASER攻击方法，通过识别目标参数、嵌入负载、注入触发器并按顺序执行负载，提升攻击鲁棒性，实验表明其在 stealth 性能和抗量化方面优于现有方法。
2026-04-25 cs.AI cs.CR
From Text to MITRE Techniques: Exploring the Malicious Use of Large Language Models for Generating Cyber Attack Payloads
本文研究了ChatGPT和Bard被恶意用于生成网络攻击载荷的风险，通过生成前10大MITRE技术代码发现LLM能加速网络犯罪，同时指出其可被用于防御渗透测试，呼吁加强安全防范。
2023-05-24 cs.CR
"It Warned Me Just at the Right Moment": Exploring LLM-based Real-time Detection of Phone Scams
本文提出基于大语言模型的电话诈骗实时检测框架，通过评估对话中的欺诈意图并及时警告用户，实验分析关键因素以平衡精确率、召回率与及时性。
2025-02-06 cs.CR cs.HC
Exploring Content Concealment in Email
本研究探讨了攻击者如何利用HTML和CSS在电子邮件中隐藏任意内容以生成可能逃避过滤器检测的恶意邮件变体，并通过对大规模垃圾邮件数据集的分析，识别了攻击者使用的隐藏子类型及具体技巧。
2024-10-15 cs.CR cs.NI
Exploring the Dark Side of AI: Advanced Phishing Attack Design and Deployment Using ChatGPT
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
本文展示了ChatGPT可被用于自动生成并大规模部署高仿真钓鱼网站，揭示了AI滥用风险，并呼吁加强AI系统内的防护措施。
2023-09-19 cs.AI cs.CR
Privacy Threats and Countermeasures in Federated Learning for Internet of Things: A Systematic Review
School of Computing, University of Kent（肯特大学计算机学院）
本文系统综述了物联网环境中联邦学习的隐私威胁与防御措施，指出需开发轻量级、结合区块链等新兴技术的隐私保护策略，以应对推理、投毒、重放及模型窃取等攻击。
2024-07-25 cs.AI cs.CR
Tainted Love: A Systematic Review of Online Romance Fraud
浪漫欺诈涉及网络犯罪分子在在线约会平台上设计浪漫关系。这是一种残酷的网络犯罪形式，受害者心碎，往往面临经济崩溃。我们研究了浪漫欺诈的文学景观，通过系统地回顾和综合当代定性和定量证据来促进研究人员和从业人员的理解。系统评价提供了一个概述的领域，建立受害者的影响因素，并探讨对策，以减轻浪漫骗局。我们搜索了10个学术数据库和网站，使用与浪漫欺诈相关的术语。对确定的研究进行了筛选，并提取、综合和对比了高级元数据和调查结果。该方法遵循PRISMA指南：共筛选了232篇论文。对82篇论文进行了合格性评估，44篇论文被纳入最终分析。确定了三个主要贡献：浪漫骗局的概况，减轻浪漫骗局的对策，以及使个人容易成为骗子或受害者的因素。尽管越来越多的语料库的文献，总数的经验或实验检查仍然有限。本文的结论与未来的研究和受害者干预策略的从业人员，执法和行业的途径。
2023-02-28 cs.CR cs.CY cs.HC
SoK: Concurrency in Blockchain -- A Systematic Literature Review and the Unveiling of a Misconception
本文首次系统综述智能合约并发性，提出并发层次分类法并分析漏洞与对策，同时揭示一个主要研究类别中的错误并发假设，以纠正误解并指明未来研究方向。
2025-07-22 cs.CR cs.DC cs.PF
