Buchumschlag

EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bostani, Hamid, Moonsamy, Veelasha
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving Adversarial Robustness in Android Malware Detection by Reducing the Impact of Spurious Correlations
von: Bostani, Hamid, et al.
Veröffentlicht: (2024)

Level Up with ML Vulnerability Identification: Leveraging Domain Constraints in Feature Space for Robust Android Malware Detection
von: Bostani, Hamid, et al.
Veröffentlicht: (2022)

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

Vulnerability, Where Art Thou? An Investigation of Vulnerability Management in Android Smartphone Chipsets
von: Klischies, Daniel, et al.
Veröffentlicht: (2024)

Comparison of Multiple Classifiers for Android Malware Detection with Emphasis on Feature Insights Using CICMalDroid 2020 Dataset
von: Abedin, Md Min-Ha-Zul, et al.
Veröffentlicht: (2026)

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

Unraveling the Key of Machine Learning-based Android Malware Detection
von: Liu, Jiahao, et al.
Veröffentlicht: (2024)

Towards Certified Malware Detection: Provable Guarantees Against Evasion Attacks
von: Giri, Nandakrishna, et al.
Veröffentlicht: (2026)

Practicable Black-box Evasion Attacks on Link Prediction in Dynamic Graphs -- A Graph Sequential Embedding Method
von: Li, Jiate, et al.
Veröffentlicht: (2024)

Evading Black-box Classifiers Without Breaking Eggs
von: Debenedetti, Edoardo, et al.
Veröffentlicht: (2023)

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)

MalPurifier: Enhancing Android Malware Detection with Adversarial Purification against Evasion Attacks
von: Zhou, Yuyang, et al.
Veröffentlicht: (2023)

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

Android Malware Detection: A Machine Leaning Approach
von: Abdulla, Hasan
Veröffentlicht: (2025)

LLM-Generated Samples for Android Malware Detection
von: Rollinson, Nik, et al.
Veröffentlicht: (2025)

R+R: Revisiting Static Feature-Based Android Malware Detection using Machine Learning
von: Alam, Md Tanvirul, et al.
Veröffentlicht: (2024)

Empirical Evaluation of SMOTE in Android Malware Detection with Machine Learning: Challenges and Performance in CICMalDroid 2020
von: Duarte, Diego Ferreira, et al.
Veröffentlicht: (2026)

Evasion of IoT Malware Detection via Dummy Code Injection
von: Zargarzadeh, Sahar, et al.
Veröffentlicht: (2026)

XAI and Android Malware Models
von: Kulkarni, Maithili, et al.
Veröffentlicht: (2024)

Self-Supervised Learning for Android Malware Detection on a Time-Stamped Dataset
von: Fu, Annan, et al.
Veröffentlicht: (2026)

Understanding Concept Drift with Deprecated Permissions in Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2025)

Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
von: He, Ping, et al.
Veröffentlicht: (2025)

Android Malware Detection Based on RGB Images and Multi-feature Fusion
von: Wang, Zhiqiang, et al.
Veröffentlicht: (2024)

On Benchmarking Code LLMs for Android Malware Analysis
von: He, Yiling, et al.
Veröffentlicht: (2025)

McNdroid: A Longitudinal Multimodal Benchmark for Robust Drift Detection in Android Malware
von: Kamol, Md Mahmuduzzaman, et al.
Veröffentlicht: (2026)

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

Learning to Look Benign: Targeted Evasion of Malware Detectors via API Import Injection
von: Dautartas, Juozas, et al.
Veröffentlicht: (2026)

LAMDA: A Longitudinal Android Malware Benchmark for Concept Drift Analysis
von: Haque, Md Ahsanul, et al.
Veröffentlicht: (2025)

Humanizing Machine-Generated Content: Evading AI-Text Detection through Adversarial Attack
von: Zhou, Ying, et al.
Veröffentlicht: (2024)

LAMD: Context-driven Android Malware Detection and Classification with LLMs
von: Qian, Xingzhi, et al.
Veröffentlicht: (2025)

DexRay: A Simple, yet Effective Deep Learning Approach to Android Malware Detection based on Image Representation of Bytecode
von: Daoudi, Nadia, et al.
Veröffentlicht: (2021)

Evading Deep Learning-Based Malware Detectors via Obfuscation: A Deep Reinforcement Learning Approach
von: Etter, Brian, et al.
Veröffentlicht: (2024)

Building an Adversarial Malware Dataset by Family and Type: Generation, Evasion, and Poisoning Evaluation
von: Košťál, David, et al.
Veröffentlicht: (2026)

DeepTrust: Multi-Step Classification through Dissimilar Adversarial Representations for Robust Android Malware Detection
von: Pulido-Cortázar, Daniel, et al.
Veröffentlicht: (2025)

Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

Empirical Evaluation of Concept Drift in ML-Based Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2025)

Online Poisoning Attack Against Reinforcement Learning under Black-box Environments
von: Li, Jianhui, et al.
Veröffentlicht: (2024)

Optimized Approaches to Malware Detection: A Study of Machine Learning and Deep Learning Techniques
von: Fahim, Abrar, et al.
Veröffentlicht: (2025)

Machine Learning Transferability for Malware Detection
von: Vieira, César, et al.
Veröffentlicht: (2026)

Dynamic Black-box Backdoor Attacks on IoT Sensory Data
von: Chathoth, Ajesh Koyatan, et al.
Veröffentlicht: (2025)