MARS: Malware Analysis with Rule-Based Scoring of LLM Claims

출처:arXiv cs.CR (암호학·보안)

AI 인사이트

개발자

1.MARS: LLM 악성코드 분류에서 '직접 판정'이 '근거 주장 채점' 방식보다 일관되게 정확
2.PE·ELF 1,195개(1,001개 클러스터), 6개 LLM 평가에서 정확도 3.7~20.9%p 우위
3.근거 주장 매개 방식은 성능 변동 감소 효과 없고, 지표 제거 시 재현율 손실이 더 큼
4.다만 주장(claim) 보존 시 평결 입력을 투명하게 노출해 정책 재검토·재적용 가능

왜 중요한가?

설명가능성을 위해 LLM에 근거를 먼저 서술시키는 방식이 악성코드 탐지 정확도를 오히려 낮출 수 있음을 보여, 보안 운영에서 '정확도냐 투명성이냐'의 트레이드오프를 구체적 수치로 제시한다.

언급 프로젝트

MARS

본문 미리보기

arXiv:2610.09553v1 Announce Type: new Abstract: Large language models can triage malware through direct verdicts or behavioral claims scored by an external policy. We present MARS, a malware triage framework, and compare direct classification with single-pass claim scoring using the same evidence collector and identical static evidence bundles for each model. The evaluation covers 1,195 PE and ELF binaries grouped into 1,001 near-duplicate clusters and six language models, with deterministic ru

전체 내용이 궁금하다면?

원문을 직접 읽어보세요

원문 보기

#LLM#멀웨어분석#사이버보안#규칙기반채점

이 글이 만들어진 과정

11:24AI 초안

판 이력 전체 보기 →

3시간 전

AudioShake Launches The Refinery to Turn Overlapping Conversations Into AI Training Data

People interrupt. They laugh over someone else’s last sentence, offer a quick agreement before a speaker has finished, and keep talking while music or traffic fills the background. For a voice AI developer, that everyday messiness creates a difficult data problem: a recording can contain exactly the

미디어Unite.AI

원문

MARS: Malware Analysis with Rule-Based Scoring of LLM Claims

본문 미리보기

이 글이 만들어진 과정

관련 글

AudioShake Launches The Refinery to Turn Overlapping Conversations Into AI Training Data

Lava Finds Thousands of Exposed GPU Servers and a High-Severity NVIDIA Monitoring Flaw

Roundtables: A Conversation With the Creator of AI-Designed Viruses

ttok 0.4