Buchumschlag

Learning Temporal Invariance in Android Malware Detectors

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zheng, Xinran, Yang, Shuo, Ngai, Edith C. H., Jana, Suman, Cavallaro, Lorenzo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Beyond Classification: Evaluating LLMs for Fine-Grained Automatic Malware Behavior Auditing
von: Zheng, Xinran, et al.
Veröffentlicht: (2025)

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

On the Reliability and Stability of Selective Methods in Malware Classification Tasks
von: Herzog, Alexander, et al.
Veröffentlicht: (2025)

LLM-Driven Feature-Level Adversarial Attacks on Android Malware Detectors
von: Lan, Tianwei, et al.
Veröffentlicht: (2025)

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

BF-Meta: Secure Blockchain-enhanced Privacy-preserving Federated Learning for Metaverse
von: Liu, Wenbo, et al.
Veröffentlicht: (2024)

MASKDROID: Robust Android Malware Detection with Masked Graph Representations
von: Zheng, Jingnan, et al.
Veröffentlicht: (2024)

Exploring Large Language Models for Semantic Analysis and Categorization of Android Malware
von: Walton, Brandon J, et al.
Veröffentlicht: (2025)

Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification
von: He, Yiling, et al.
Veröffentlicht: (2024)

Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid
von: Chaieb, Meryam, et al.
Veröffentlicht: (2024)

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

On the Security Risks of ML-based Malware Detection Systems: A Survey
von: He, Ping, et al.
Veröffentlicht: (2025)

Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

Large Language Models for Network Intrusion Detection Systems: Foundations, Implementations, and Future Directions
von: Yang, Shuo, et al.
Veröffentlicht: (2025)

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

Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks
von: Stalin, Kawana, et al.
Veröffentlicht: (2024)

Veritas: A Semantically Grounded Agentic Framework for Memory Corruption Vulnerability Detection in Binaries
von: Zheng, Xinran, et al.
Veröffentlicht: (2026)

Context is the Key: Backdoor Attacks for In-Context Learning with Vision Transformers
von: Abad, Gorka, et al.
Veröffentlicht: (2024)

PEFT-as-an-Attack! Jailbreaking Language Models during Federated Parameter-Efficient Fine-Tuning
von: Li, Shenghui, et al.
Veröffentlicht: (2024)

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

DetectBERT: Towards Full App-Level Representation Learning to Detect Android Malware
von: Sun, Tiezhu, et al.
Veröffentlicht: (2024)

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

IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2025)

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

Malware families discovery via Open-Set Recognition on Android manifest permissions
von: Leveni, Filippo, et al.
Veröffentlicht: (2025)

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

Adversarial Attacks on Transformers-Based Malware Detectors
von: Jakhotiya, Yash, et al.
Veröffentlicht: (2022)

Towards a Practical Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2023)

A Robust Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via (De)Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

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

BinCtx: Multi-Modal Representation Learning for Robust Android App Behavior Detection
von: Liu, Zichen, et al.
Veröffentlicht: (2025)

Demystifying the Mythos or Disrupting Bugonomics? From Zero-Day Asymmetry to Defender Remediation Throughput
von: Pesoli, Alfredo, et al.
Veröffentlicht: (2026)

Counteracting Concept Drift by Learning with Future Malware Predictions
von: Bosansky, Branislav, et al.
Veröffentlicht: (2024)

Continual Learning with Strategic Selection and Forgetting for Network Intrusion Detection
von: Zhang, Xinchen, et al.
Veröffentlicht: (2024)

The Adaptive Arms Race: Redefining Robustness in AI Security
von: Tsingenopoulos, Ilias, et al.
Veröffentlicht: (2023)

Obfuscated Memory Malware Detection
von: P, Sharmila S, et al.
Veröffentlicht: (2024)

A Novel Reinforcement Learning Model for Post-Incident Malware Investigations
von: Dunsin, Dipo, et al.
Veröffentlicht: (2024)

The Power of MEME: Adversarial Malware Creation with Model-Based Reinforcement Learning
von: Rigaki, Maria, et al.
Veröffentlicht: (2023)

A Unified Evaluation of Learning-Based Similarity Techniques for Malware Detection
von: Prasad, Udbhav, et al.
Veröffentlicht: (2026)