arXiv:2606.06570v1 cs.CR

MalTree: 대규모 임베딩 기반 악성코드 진화 추적

MalTree: Tracing Malware Evolution from Embeddings at Scale

Akash Amalan, Georgios Smaragdakis, Tom J. Viering

제출 2026-06-04

한국어 초록

악성코드 탐지는 여전히 대부분 사후 대응형에 가깝다. 알려진 샘플로 학습된 머신러닝 모델은 위협이 진화함에 따라 성능이 저하된다. 악성코드 패밀리 간 진화 관계를 이해하는 것은 선제적 방어에 도움이 될 수 있지만, 기존 리버스 엔지니어링으로는 그러한 계보 관계를 밝히는 데 수개월에서 수년이 걸릴 수 있다. 우리는 MalTree를 제안한다. 이는 대규모로 생물정보학에서 영감을 받은 계통발생(phylogenetic) 기법(UPGMA 및 Neighbor-Joining)을 적용하여 구조적, 행동적, 이미지 기반 특징을 사용해 악성코드 진화를 자동으로 모델링하는 프레임워크이다. VirusTotal 타임스탬프를 이용한 시간적 검증을 도입하여 추론된 트리가 실제 진화 순서를 반영하는지 평가한다. MalTree는 87%의 시간적 일관성을 달성하며, 이는 추론된 진화 관계가 실세계 출현 타임라인과 밀접히 일치함을 나타낸다. 분석 결과 일부 패밀리는 다른 패밀리보다 10배 이상 빠르게 변이하며, 이는 탐지 전략이 패밀리별 진화 속도에 맞춰져야 함을 시사한다. Mirai 봇넷을 포함한 사례 연구는 계통발생 트리에서 추론된 관계가 문서화된 위협 정보와 일치함을 확인한다. 우리 프레임워크는 악성코드 분석을 샘플 단위 분류에서 계보 인식 진화 모델링으로 전환하는 토대를 제공한다.

원문 초록

Malware detection remains largely reactive: machine learning models trained on known samples degrade as threats evolve. Understanding evolutionary relationships among malware families can inform proactive defense, but traditional reverse engineering can take months to years to uncover such lineage relationships. We propose MalTree, a framework that applies bioinformatics inspired phylogenetic techniques (UPGMA and Neighbor-Joining) at scale to model malware evolution automatically using structural, behavioral, and image-based features. We introduce temporal validation using VirusTotal timestamps to assess whether inferred trees reflect actual evolutionary order. MalTree achieves 87% temporal consistency, indicating that inferred evolutionary relationships closely align with real-world emergence timelines. Our analysis shows that some families mutate over 10 times faster than others, suggesting that detection strategies should be tailored to family-specific evolutionary tempos. Case studies, including the Mirai botnet, confirm that inferred relationships from our phylogenetic tree align with documented threat intelligence. Our framework provides a foundation for shifting malware analysis from sample-by-sample classification toward lineage-aware evolutionary modeling.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.06570v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27865v1cs.LG공통 태그 Clustering, Anomaly Detection

무엇이 바뀌었는가? 실제·가상·비교 불가 진단을 통한 드리프트 탐지

What Changed? Drift Detection with Real, Virtual, and Incomparable Diagnosis

깊은 인코더를 공유한다고 해서 그 자체만으로 과제 비교 점수의 핵심 교란(confound)을 해소하지는 못한다. 우리는 고정된 공유 표현 위에서 교차 평가된 head가 얕은 exchange 점수의 외삽(extrapolation) 교란을 그대로 물려받음을 보인다. 레이블은 고정한 채 순수 입력 회전만 적용하면 깊은 exchange 점수가 약 0에서 0.80까지 부풀어 오르는 반면, 표현-신규성(novelty) 점수는 상보적인 방향에서는 맹점이 있다(과제를 완전히 바꾸는 레이블 순열 아래에서는 평평하게 유지된다). 조건부 이중 판별자(two-discriminator) discrepancy를 임베딩 공간으로 이식하면 두 맹점을 모두 해소한다. 기능(functional) 축은 회전 아래에서 ±0.001 이내로 유지되고, 레이블 순열 드리프트 질량(drift mass)을 단조적으로 추적한다. mixture-of-heads 수명주기에 통합하면 두 축 게이트(two-axis gate)는 동일 학습 예산에서 exchange 또는 novelty 트리거보다 더 적은 head로 더 나은 의사결정 품질을 달성한다. 일반화된 범주 발견(generalized category discovery)에서는 동일한 청크 수준(chunk-level) 기능 축이 AUROC 0.98–0.99로 의미적 신규성(semantic novelty)과 photometric shift를 분리하는데, 입력별 OOD 점수(MSP, Energy, Mahalanobis, KNN)는 그 구분에 대해 거의 우연(chance) 수준에 머문다. 모든 결과는 CIFAR-100에서 frozen ImageNet-21k ViT-B/16과 자기지도(self-supervised) DINOv2 백본에서 재현되며, recurrence를 갖는 residual adapter pool로도 확장된다. null 보정 novelty 트리거는 메커니즘 변화에서 한 번도 발화하지 않는 반면, 두 축 게이트는 recurrence를 전부 재사용하여 이를 처리한다. 임베딩 공간에서의 결론이 원래 메커니즘으로 전이되기 위한 공통 요인화(common-factoring) 조건을 명시적으로 기술한다.

arXiv:2609.27936v1cs.LG공통 태그 Clustering, Anomaly Detection

양보다 질: 특징 엔지니어링을 통한 불법 비트코인 흐름의 반지도 학습 탐지

Quality over Quantity: Semi-Supervised Detection of Illicit Bitcoin Flows via Feature Engineering

불법 암호화폐 거래 탐지는 극심한 클래스 불균형, 적대적 난독화, 신뢰할 수 있는 라벨의 부족으로 어렵다. 반지도 학습(SSL)은 비라벨 데이터를 활용해 유망한 해결책을 제공하지만, 우리는 그 성공이 데이터 양만으로 보장되지 않으며 데이터 품질에 달려 있음을 보인다. 우리는 Shared Send Mixers(SSM) 거래에서 불법 비트코인 흐름을 탐지하기 위한 SSL 프레임워크를 제안하며, 이는 1억 6,300만 건의 거래로 구성된 포괄적 역사적 데이터셋 위에 구축되었다. 핵심 결론은 SSL의 성공이 데이터 양이 아니라 품질에 달려 있다는 것이다: KeyLinker 주소 클러스터링 및 Shared Send Untangling(SSU) 복잡도 지표와 같은 고충실도 특징은 비라벨 데이터에서 F1 점수 0.84를 달성한다. 마지막으로, One-Time Change(OTC)와 같은 흔한 휴리스틱은 풍부하지만 노이즈를 유입시키는 반면, KeyLinker와 같은 고충실도 특징에 대한 전략적 의존이 필수적임을 실증적으로 보인다. 본 연구는 블록체인 포렌식에서 더 나은 성능으로 가는 길이 더 큰 데이터셋만이 아니라, 데이터 품질을 위한 더 스마트한 특징 엔지니어링에 있음을 확립한다.

arXiv:2609.24204v1cs.CV공통 태그 Clustering, Anomaly Detection

SAFe: 이상 인식 분할을 위한 세그먼트 유도 특징 밀도 집계

SAFe: Segment-guided Aggregation of Feature Densities for Anomaly-aware Segmentation

시각 분할 시스템은 실제 배포 시 학습 분포 밖의 객체를 만나며, 지각 단계에서 장면 파싱(scene parsing)에 의존하는 신뢰할 수 있는 자율 시스템을 저해한다. 최근 많은 방법은 자기지도(self-supervised) 파운데이션 모델로 이상 이미지 영역에서 낮은 가능도를 내는 밀도 추정기(density estimator)를 학습하는 방식으로 이를 다룬다. 유망하지만, 이러한 방법은 특징 의미론이 빈약하거나 공간적 일관성이 부족해, 둘 다 중요한 후속 의사결정을 훼손한다. 우리는 자기지도 표현 위의 클래스 조건부 밀도 추정에 기반한 생성적 방법인 SAFe로 이 문제를 해결한다. SAFe는 고정(frozen) DINOv3 특징 위에서 클래스 조건부 정규화 가능도 추정치를 산출하는 경량 정규화 흐름(normalizing flow)을 학습한다. 전역 의미론과 국소 디테일을 모두 포착하기 위해 트랜스포머 특징의 밀도 추정과 다중 스케일 합성곱 특징에 대한 밀도 점수를 결합한다. SAM3에 기반한 방법 독립적 후처리 단계를 도입하여, 위치별 가능도를 공간적으로 일관된 세그먼트로 연결하고 거짓 양성을 억제하며, 재학습 없이 인스턴스 수준 이상 탐지를 가능하게 한다. 후처리는 유사도 기반 응집적 클러스터링(agglomerative clustering)으로 이상 객체들 가운데 새로운 범주를 추가로 구분한다. SAFe는 PANIC, OoDIS, SMIYC ObstacleTrack에서 새로운 최고 성능(state of the art)을 달성하고 ISSU 벤치마크에서도 강한 성능을 보인다.

arXiv:2607.13936v1cs.CV공통 태그 Clustering, Anomaly Detection

다중모달 심장 PET/MRI 데이터 처리를 위한 새로운 비지도 기계학습 전략

A novel unsupervised machine learning strategy to handle multimodal cardiac PET/MRI data

좌심실 부정맥성 심근병증(arrhythmogenic left ventricular cardiomyopathy)은 금기준(gold standard) 진단 기준이 부족하여 진단이 어려운 유전성 심근 질환이다. 다중 매개변수 정량 분석과 결합한 동시 PET/MR 영상은 심근병증의 표현형 및 진행과 관련된 다양한 프로파일 식별을 촉진할 수 있다. 본 예비 연구는 환자 간 데이터 연결 및 영역 분석을 포함하여 PET/MRI 데이터를 다루기 위한 방법론적 전략에 초점을 맞춘다. 유전적으로 진단된 좌심실 부정맥성 심근병증 환자 99명의 T1 및 T2 맵, LGE, 18F-FDG-PET 영상에 2단계 클러스터링을 적용하였다. 각 환자의 영상을 독립적으로 z-score 정규화한 뒤 단일 볼륨으로 합산하고, 이를 슈퍼복셀(supervoxel)로 클러스터링하였다. 스펙트럴 클러스터링(spectral clustering)을 통해 32개의 환자 간 슈퍼복셀 그룹을 얻었다. 각 클러스터 및 모달리티에 "이상(abnormality)" 점수를 부여하여 질환과 관련될 가능성이 있는 이상 영역을 시각화하는 데 사용하였다. 이를 통해 각 환자에 대한 자동화된 텍스트 및 불스아이(bullseye) 건강 보고서를 생성할 수 있었으며, 반복 중첩 교차검증(repeated nested cross-validation)에서 균형 정확도(balanced accuracy, BA)를 사용하여 심장 영상 전문의 평가와 비교하였다. 이 접근법은 167개의 수치 팬텀(numerical phantoms)으로 구성된 더 큰 코호트에서 추가로 검증되었다. 클러스터링으로 생성된 보고서는 심장 전문의의 관찰 대부분을 정확히 식별하였다(환자 대상 반복 중첩 교차검증에서 BA = 0.76 $\pm$ 0.04, 팬텀에서 BA $\ge$ 0.8). 또한 식별된 이상 클러스터는 시각적 관찰과 밀접하게 일치하여, 영상에서 다양한 정도의 섬유화(fibrosis) 또는 염증(inflammation) 식별을 용이하게 하였다. 이 접근법은 좌심실 부정맥성 심근병증 환자의 심근 이질성(myocardial heterogeneity)을 특성화하기 위해 다중모달 PET/MRI 데이터를 보다 체계적으로 처리할 수 있게 한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.