注册

字节级Transformer恶意软件检测框架MalwareFormer发布

论文AI 评分 62/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇被IEEE ICAD 2026收录的论文提出MalwareFormer，一种直接处理可执行文件原始字节的Transformer恶意软件检测框架，无需领域知识或特征工程。论文称其准确率98.35%、平衡准确率98.32%、宏F1为98.32%、假阳性率1.94%，在所有依赖阈值的分类指标上均优于两个基线。作者指出，传统方法依赖静态或动态分析的手工特征，需要专业工具与耗时分析，面对现代恶意软件的复杂度与多样性时扩展性和鲁棒性受限，而直接基于原始字节的方法虽含丰富语义与结构信息，但常规静态与CNN方法难以捕捉长程依赖。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

论文要解决的问题

论文指出，现有恶意软件检测方法大量依赖从可执行文件静态或动态分析中得到的手工特征。这类做法需要专门的领域知识、专用分析工具，并且分析过程耗时，在现代恶意软件复杂度与多样性不断上升的情况下，其可扩展性与鲁棒性受到限制。因此，直接在原始字节上操作的方法受到关注，因为原始字节中包含丰富的语义与结构信息。但论文同时指出，常规静态方法与基于CNN的方法在捕捉可执行文件内部的长程依赖方面仍存在困难。MalwareFormer正是针对这一矛盾提出的方案。

方法与报告指标

MalwareFormer被描述为一个基于Transformer的字节级恶意软件检测框架，直接作用于原始字节，不需要领域知识，也不需要特征提取环节。论文给出的结果为：准确率98.35%，平衡准确率98.32%，宏F1为98.32%，假阳性率1.94%。作者表示，在所有依赖阈值的分类指标上，该框架都超过了两个基线，并据此认为Transformer为字节级恶意软件检测提供了一条有力且可扩展的路径。论文篇幅为7页，含4张图。

发表信息与作者

该论文被IEEE ICAD 2026的Cryptography and Security方向接收并发表，会议地点为美国马萨诸塞州波士顿，论文页码为1至7。作者为Abdelrahman Yassin Eljamal与Abdeltawab Hendawi。论文在arXiv上的编号为2610.18787，版本为v1，提交时间为2026年10月13日。这些信息可用于核对论文的正式出处与版本，判断其是否已有后续修订或同行评议记录。

为什么值得看

安全与AI交叉方向的具体结果：免特征工程的字节级Transformer在恶意软件检测上给出完整指标，值得关注其可复现性…

字节论文

信源1 家

  1. [1]arXiv cs.AI一手信源Bytes to Threats: Byte-Sequence Transformer For Malware Detection

关键事实

  • 论文提出MalwareFormer，一种基于Transformer、直接在原始字节上运行的恶意软件检测框架，不需要领域知识或特征提取[1]

  • 论文报告准确率98.35%、平衡准确率98.32%、宏F1为98.32%、假阳性率1.94%[1]

  • 论文称该框架在所有依赖阈值的分类指标上均优于两个基线[1]

  • 论文被IEEE ICAD 2026的Cryptography and Security方向接收并发表，共7页、4张图[1]

  • 作者为Abdelrahman Yassin Eljamal与Abdeltawab Hendawi[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论