Buchumschlag

secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Demetrio, Luca, Biggio, Battista
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Updating Windows Malware Detectors: Balancing Robustness and Regression against Adversarial EXEmples
von: Kozak, Matous, et al.
Veröffentlicht: (2024)

Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection
von: Ponte, Andrea, et al.
Veröffentlicht: (2025)

Nebula: Self-Attention for Dynamic Malware Analysis
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2023)

Certified Adversarial Robustness of Machine Learning-based Malware Detectors via (De)Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

SLIFER: Investigating Performance and Robustness of Malware Detection Pipelines
von: Ponte, Andrea, et al.
Veröffentlicht: (2024)

Robust Synthetic Data-Driven Detection of Living-Off-the-Land Reverse Shells
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2024)

Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates
von: Angioni, Daniele, et al.
Veröffentlicht: (2024)

ModSec-AdvLearn: Countering Adversarial SQL Injections with Robust Machine Learning
von: Floris, Giuseppe, et al.
Veröffentlicht: (2023)

Evaluating the Evaluators: Trust in Adversarial Robustness Tests
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2025)

Regression-aware Continual Learning for Android Malware Detection
von: Ghiani, Daniele, et al.
Veröffentlicht: (2025)

Label-efficient Training Updates for Malware Detection over Time
von: Minnei, Luca, et al.
Veröffentlicht: (2026)

ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches
von: Pintor, Maura, et al.
Veröffentlicht: (2022)

On the Effectiveness of Adversarial Training on Malware Classifiers
von: Bostani, Hamid, et al.
Veröffentlicht: (2024)

Adversarial Patterns: Building Robust Android Malware Classifiers
von: Bhusal, Dipkamal, et al.
Veröffentlicht: (2022)

Prototype-Guided Robust Learning against Backdoor Attacks
von: Guo, Wei, et al.
Veröffentlicht: (2025)

AttackBench: Evaluating Gradient-based Attacks for Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

Empirical Quantification of Spurious Correlations in Malware Detection
von: Perasso, Bianca, et al.
Veröffentlicht: (2025)

Intra-Section Code Cave Injection for Adversarial Evasion Attacks on Windows PE Malware File
von: Aryal, Kshitiz, et al.
Veröffentlicht: (2024)

AutoPentester: An LLM Agent-based Framework for Automated Pentesting
von: Ginige, Yasod, et al.
Veröffentlicht: (2025)

Silent Until Sparse: Backdoor Attacks on Semi-Structured Sparsity
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Towards Automated Pentesting with Large Language Models
von: Bessa, Ricardo, et al.
Veröffentlicht: (2026)

Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2024)

Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art
von: Ling, Xiang, et al.
Veröffentlicht: (2021)

Semantic Data Representation for Explainable Windows Malware Detection Models
von: Švec, Peter, et al.
Veröffentlicht: (2024)

A Wolf in Sheep's Clothing: Practical Black-box Adversarial Attacks for Evading Learning-based Windows Malware Detection in the Wild
von: Ling, Xiang, et al.
Veröffentlicht: (2024)

A Practical Adversarial Attack against Sequence-based Deep Learning Malware Classifiers
von: Tan, Kai, et al.
Veröffentlicht: (2025)

Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
von: Piras, Giorgio, et al.
Veröffentlicht: (2024)

LFreeDA: Label-Free Drift Adaptation for Windows Malware Detection
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2025)

BlackCATT: Black-box Collusion Aware Traitor Tracing in Federated Learning
von: Rodríguez-Lois, Elena, et al.
Veröffentlicht: (2026)

PentestAgent: Incorporating LLM Agents to Automated Penetration Testing
von: Shen, Xiangmin, et al.
Veröffentlicht: (2024)

Trust Under Siege: Label Spoofing Attacks against Machine Learning for Android Malware Detection
von: Lan, Tianwei, et al.
Veröffentlicht: (2025)

Adversarially Robust and Interpretable Magecart Malware Detection
von: Pereira, Pedro, et al.
Veröffentlicht: (2025)

Explainability Guided Adversarial Evasion Attacks on Malware Detectors
von: Aryal, Kshitiz, et al.
Veröffentlicht: (2024)

Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

A survey on hardware-based malware detection approaches
von: Chenet, Cristiano Pegoraro, et al.
Veröffentlicht: (2023)

Addressing malware family concept drift with triplet autoencoder
von: Guldemir, Numan Halit, et al.
Veröffentlicht: (2025)

Feature graph construction with static features for malware detection
von: Zou, Binghui, et al.
Veröffentlicht: (2024)

Beyond the TESSERACT:Trustworthy Dataset Curation for Sound Evaluations of Android Malware Classifiers
von: Chow, Theo, et al.
Veröffentlicht: (2025)

Building an Open Source Operational Technology Pentesting Platform: Lessons from LINICS
von: Rashid, Awais, et al.
Veröffentlicht: (2026)

Effectiveness of Adversarial Benign and Malware Examples in Evasion and Poisoning Attacks
von: Kozák, Matouš, et al.
Veröffentlicht: (2025)