VirusTotal
PulseAugur coverage of VirusTotal — every cluster mentioning VirusTotal across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DROIDBREAKER框架创建了功能性的对抗性安卓恶意软件
研究人员开发了DROIDBREAKER，一个旨在创建实用且功能性的对抗性安卓应用程序（APK）的新框架，这些应用程序可以规避机器学习恶意软件检测器。该框架解决了现有方法存在的局限性，这些方法由于构建失败或语义不可靠而常常不切实际。DROIDBREAKER通过操纵有影响力的APK组件来采用查询效率高的攻击，并使用细粒度的、构建安全的修改来保留应用程序的核心功能，这已通过运行时等效性测试得到验证。
-
使用生物信息学技术追踪恶意软件演变
研究人员开发了MalTree，一个使用与生物信息学相似的系统发生技术来自动建模恶意软件演变的新框架。该方法分析结构、行为和基于图像的特征，以推断恶意软件家族之间的演化关系，旨在实现更主动的防御策略。使用VirusTotal时间戳进行的 temporal validation 显示MalTree 达到了87% 的一致性，表明其推断的树与现实世界的出现时间线非常吻合，并揭示了不同恶意软件家族之间突变率的显著差异。
-
新数据集揭示 AI 代理技能带来独特的安全风险
一项名为 ClawHub Security Signals 的新数据集已发布，旨在解决 AI 代理技能带来的独特安全挑战。该数据集包含超过 67,000 个技能版本，揭示了三种不同的安全扫描器：VirusTotal、静态分析和 NVIDIA SkillSpector 之间存在显著分歧。这种分歧凸显了需要分层安全治理，而不是依赖单一扫描器来决定 AI 代理技能。
-
新对抗性恶意软件数据集发布，用于测试 AI 检测的鲁棒性
研究人员开发了一个新的对抗性恶意软件样本数据集，该数据集源自真实的恶意软件二进制文件，用于测试基于机器学习的检测系统的鲁棒性。该数据集包含超过 44,000 个按家族标记和 33,000 个按类型标记的对抗性样本，在现有分类器上显示出高规避率。研究还强调了这些系统易受数据投毒攻击的影响，其中一小部分错误标记的数据会急剧增加规避率。
-
新AI方法通过模仿无害软件来规避恶意软件检测器
研究人员开发了一种通过注入无害软件特有的API导入来规避基于机器学习的恶意软件检测器的方法。该技术利用条件变分自编码器，在不改变恶意软件核心功能的情况下，针对特定的无害类别。实验表明，恶意软件的检测率显著降低，被规避的样本被归类为预期的无害类型，并且该攻击被证明对商业检测引擎有效。
-
研究人员开发用于安卓恶意软件检测的自监督学习方法
研究人员开发了一种检测安卓恶意软件的新方法，该方法解决了机器学习模型中的时间偏差问题。通过构建时间戳数据集并实施时间戳验证程序，他们的框架确保模型根据实际应用发布时间进行评估。该系统利用 BYOL 进行自监督预训练以学习鲁棒的表示，在时间感知评估下实现了 98% 的准确率和 89% 的 F1 分数。数据集和源代码已发布，以促进进一步研究。
-
Hugging Face 发布 OCR、安全和模型更新
Hugging Face 宣布了对其平台的多项更新和合作。其中包括通过开放模型增强 OCR 管道，集成 Sentence Transformers，以及发布 Transformers.js v4。此外，Hugging Face 正通过与 VirusTotal 的合作加强 AI 安全，并推出 Granite 4.0 Nano 和 AnyLanguageModel 等新模型以实现高效的 LLM 操作。
-
Hugging Face 的社交 AI
Hugging Face 宣布了一系列旨在增强 AI 模型的可访问性、安全性和可扩展性的合作伙伴关系和产品更新。与 Google、VirusTotal、JFrog、Wiz Research 和 Protect AI 的合作侧重于改善 ML 社区内的 AI 安全性和透明度。此外，与 Together AI 和 Dask 的新集成，以及 HUGS 的推出，旨在简化各种用例（包括复杂的生成式 AI 任务）的开源 AI 模型的微调和扩展。