論文の概要: Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain

• arxiv url: http://arxiv.org/abs/2007.02407v3
• Date: Sat, 13 Mar 2021 19:31:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 08:03:37.873054
• Title: Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain
• Title（参考訳）: サイバーセキュリティ領域における敵対的機械学習攻撃と防御手法
• Authors: Ihai Rosenberg and Asaf Shabtai and Yuval Elovici and Lior Rokach
• Abstract要約: 本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。 サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
• 参考スコア（独自算出の注目度）: 58.30296637276011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years machine learning algorithms, and more specifically deep learning algorithms, have been widely used in many fields, including cyber security. However, machine learning systems are vulnerable to adversarial attacks, and this limits the application of machine learning, especially in non-stationary, adversarial environments, such as the cyber security domain, where actual adversaries (e.g., malware developers) exist. This paper comprehensively summarizes the latest research on adversarial attacks against security solutions based on machine learning techniques and illuminates the risks they pose. First, the adversarial attack methods are characterized based on their stage of occurrence, and the attacker's goals and capabilities. Then, we categorize the applications of adversarial attack and defense methods in the cyber security domain. Finally, we highlight some characteristics identified in recent research and discuss the impact of recent advancements in other adversarial learning domains on future research directions in the cyber security domain. This paper is the first to discuss the unique challenges of implementing end-to-end adversarial attacks in the cyber security domain, map them in a unified taxonomy, and use the taxonomy to highlight future research directions.
• Abstract（参考訳）: 近年、機械学習アルゴリズム、特にディープラーニングアルゴリズムは、サイバーセキュリティを含む多くの分野で広く使われている。 しかし、機械学習システムは敵の攻撃に弱いため、特に実際の敵(例えばマルウェア開発者)が存在するサイバーセキュリティドメインのような非静止的で敵対的な環境において、機械学習の適用を制限する。 本稿では、機械学習技術に基づくセキュリティソリューションに対する敵意攻撃に関する最新の研究を包括的に要約し、そのリスクを解明する。 第1に、敵の攻撃方法は、その発生段階と攻撃者の目標と能力に基づいて特徴づけられる。 次に、サイバーセキュリティドメインにおける敵の攻撃と防御の方法の応用を分類する。 最後に,近年の研究で特定された特徴を浮き彫りにして,サイバーセキュリティ分野の今後の研究方向性に対する,他の敵対的学習領域における最近の進歩の影響について論じる。 本稿では,サイバーセキュリティ分野におけるエンド・ツー・エンドの敵意攻撃を実践し,それらを統一分類法にマッピングし,分類法を用いて今後の研究の方向性を強調する,ユニークな課題について論じる。

関連論文リスト

• Attack Atlas: A Practitioner's Perspective on Challenges and Pitfalls in Red Teaming GenAI [52.138044013005]
  生成AI、特に大規模言語モデル(LLM)は、製品アプリケーションにますます統合される。 新たな攻撃面と脆弱性が出現し、自然言語やマルチモーダルシステムにおける敵の脅威に焦点を当てる。 レッドチーム(英語版)はこれらのシステムの弱点を積極的に識別する上で重要となり、ブルーチーム(英語版)はそのような敵の攻撃から保護する。 この研究は、生成AIシステムの保護のための学術的な洞察と実践的なセキュリティ対策のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-09-23T10:18:10Z)
• Evaluating the Vulnerabilities in ML systems in terms of adversarial attacks [0.0]
  新たな敵攻撃手法は、現在のディープラーニングサイバー防衛システムに課題をもたらす可能性がある。 著者はAIシステムにおける脆弱性の結果を探求する。 テストフェーズにあるAIシステムを適切にトレーニングし、より広範な使用に備えることが重要です。
  論文  参考訳（メタデータ） (2023-08-24T16:46:01Z)
• Graph Mining for Cybersecurity: A Survey [61.505995908021525]
  マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。 従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。 グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
  論文  参考訳（メタデータ） (2023-04-02T08:43:03Z)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Deep Reinforcement Learning for Cybersecurity Threat Detection and Protection: A Review [1.933681537640272]
  ディープラーニングと機械学習ベースのソリューションは、脅威の検出と保護に使用されている。 深層強化学習(Deep Reinforcement Learning)は、これまで高度な人間の認識を必要としていた分野のためのAIベースのソリューションを開発する上で、非常に有望であることを示している。 教師付き機械やディープラーニングとは異なり、深層強化学習はより多様な方法で使われ、脅威防衛の分野で多くの革新的な応用に力を与えている。
  論文  参考訳（メタデータ） (2022-06-06T16:42:00Z)
• Adversarial Machine Learning for Cybersecurity and Computer Vision: Current Developments and Challenges [2.132096006921048]
  敵対的機械学習の研究は、機械学習技術の幅広い応用に対する重大な脅威に対処する。 まず、主に3つの機械学習テクニックに対する攻撃、すなわち中毒攻撃、回避攻撃、プライバシ攻撃について論じる。 サイバーセキュリティとコンピュータビジョンにおける敵のサンプルは根本的に異なることに気付きます。
  論文  参考訳（メタデータ） (2021-06-30T03:05:58Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• Review: Deep Learning Methods for Cybersecurity and Intrusion Detection Systems [6.459380657702644]
  人工知能(AI)と機械学習(ML)はサイバー防衛の鍵となる技術として活用することができる。 本稿では,ネットワーク侵入検出に使用される様々な深層学習手法について検討する。
  論文  参考訳（メタデータ） (2020-12-04T23:09:35Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• The Threat of Adversarial Attacks on Machine Learning in Network Security -- A Survey [4.164845768197488]
  ネットワークセキュリティにおける機械学習の応用は、他のドメインと比較して、活発な敵攻撃に対する不当な脅威に直面している。 本調査ではまず,機械学習技術,タスク,深さの分類について述べる。 ネットワークセキュリティにおける機械学習に対する様々な敵攻撃について検討し、ネットワークセキュリティにおける敵攻撃に対する2つの分類手法を提案する。
  論文  参考訳（メタデータ） (2019-11-06T20:29:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。