Fugu-MT 論文翻訳(概要): FedDICE: A ransomware spread detection in a distributed integrated clinical environment using federated learning and SDN based mitigation

論文の概要: FedDICE: A ransomware spread detection in a distributed integrated clinical environment using federated learning and SDN based mitigation

arxiv url: http://arxiv.org/abs/2106.05434v1
Date: Wed, 9 Jun 2021 23:59:18 GMT
ステータス: 処理完了
システム内更新日: 2021-06-11 14:12:42.827030
Title: FedDICE: A ransomware spread detection in a distributed integrated clinical environment using federated learning and SDN based mitigation
Title（参考訳）: FedDICE:フェデレートラーニングとSDNによる緩和を用いた分散型統合臨床環境におけるランサムウェア拡散検出
Authors: Chandra Thapa and Kallol Krishna Karmakar and Alberto Huertas Celdran and Seyit Camtepe and Vijay Varadharajan and Surya Nepal
Abstract要約: 統合臨床環境(ICE)は、病院における患者のケアに関する医療物のインターネットの接続と調整を可能にする。本稿では,フェデレート型分散統合臨床環境,別名FedDICEについて述べる。 FedDICEは、プライバシ保護学習であるフェデレーション学習(FL)を統合して、ランサムウェア攻撃の協調学習、検出、緩和を可能にする。我々は,最大4つの病院と4つのランサムウェア,すなわちPetya, BadRabbit, PowerGhostとの共同環境におけるFedDICEの重要性を実証した。
参考スコア（独自算出の注目度）: 20.323468229654832
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: An integrated clinical environment (ICE) enables the connection and coordination of the internet of medical things around the care of patients in hospitals. However, ransomware attacks and their spread on hospital infrastructures, including ICE, are rising. Often the adversaries are targeting multiple hospitals with the same ransomware attacks. These attacks are detected by using machine learning algorithms. But the challenge is devising the anti-ransomware learning mechanisms and services under the following conditions: (1) provide immunity to other hospitals if one of them got the attack, (2) hospitals are usually distributed over geographical locations, and (3) direct data sharing is avoided due to privacy concerns. In this regard, this paper presents a federated distributed integrated clinical environment, aka. FedDICE. FedDICE integrates federated learning (FL), which is privacy-preserving learning, to SDN-oriented security architecture to enable collaborative learning, detection, and mitigation of ransomware attacks. We demonstrate the importance of FedDICE in a collaborative environment with up to four hospitals and four popular ransomware families, namely WannaCry, Petya, BadRabbit, and PowerGhost. Our results find that in both IID and non-IID data setups, FedDICE achieves the centralized baseline performance that needs direct data sharing for detection. However, as a trade-off to data privacy, FedDICE observes overhead in the anti-ransomware model training, e.g., 28x for the logistic regression model. Besides, FedDICE utilizes SDN's dynamic network programmability feature to remove the infected devices in ICE.
Abstract（参考訳）: 統合臨床環境(ice)は、病院における患者のケアに関する医療機器のインターネットの接続と協調を可能にする。しかし、ランサムウェア攻撃やICEを含む病院インフラへの拡散は増加している。敵はしばしば同じランサムウェア攻撃で複数の病院を標的にしている。これらの攻撃は機械学習アルゴリズムを用いて検出される。しかし,(1)攻撃を受けた場合,他の病院に免疫を提供し,(2)病院は地理的に分散し,(3)プライバシー上の懸念から直接的なデータ共有は避ける,という条件下で,反ランサムウェア学習機構やサービスを開発することが課題である。本稿では,連合型分散型統合臨床環境であるakaについて述べる。 FedDICE FedDICEは、プライバシ保護学習であるフェデレーション学習(FL)をSDN指向のセキュリティアーキテクチャに統合し、ランサムウェア攻撃の協調学習、検出、緩和を可能にする。我々は,最大4つの病院と4つのランサムウェア,すなわちWannaCry,Petya,BadRabbit,PowerGhostとの共同環境におけるFedDICEの重要性を実証した。 IIDと非IIDデータ設定の両方において,FedDICEは検出に直接データ共有を必要とする集中型ベースライン性能を実現する。しかし、データプライバシーとのトレードオフとして、FedDICEはロジスティック回帰モデルの28倍のようなアンチランサムウェアモデルのトレーニングにおけるオーバーヘッドを観察する。さらに、FedDICEはSDNの動的ネットワークプログラマビリティ機能を使用して、ICEの感染したデバイスを削除する。

関連論文リスト

Securing The Future Of Healthcare: Building A Resilient Defense System For Patient Data Protection [0.0]
この研究は、勾配ボオスティング機械学習モデルを用いて、医療データ漏洩の深刻度を予測する。その結果、ハッキングとITインシデントは、医療業界で最も一般的なタイプの違反であることがわかった。モデル評価の結果,勾配向上アルゴリズムは良好に動作することがわかった。
論文参考訳（メタデータ） (2024-07-23T04:25:35Z)
Detection of ransomware attacks using federated learning based on the CNN model [3.183529890105507]
本稿では,デジタルサブステーションの破壊動作をターゲットとしたランサムウェア攻撃モデリング手法を提案する。提案手法はランサムウェアを高い精度で検出することを示した。
論文参考訳（メタデータ） (2024-05-01T09:57:34Z)
Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文参考訳（メタデータ） (2024-03-26T15:07:58Z)
Blockchain-empowered Federated Learning for Healthcare Metaverses: User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文参考訳（メタデータ） (2023-07-29T12:54:03Z)
Cross-center Early Sepsis Recognition by Medical Knowledge Guided Collaborative Learning for Data-scarce Hospitals [9.148163615040364]
感染症の疑いとSOFA (Sequential Organ Failure Assessment) の双方を満足させることで, 敗血症を診断できる。そこで我々は,医学知識であるSofaNetに指導された新たなクロスセンター協調学習フレームワークを提案し,敗血症の早期認識を実現する。
論文参考訳（メタデータ） (2023-02-11T14:30:01Z)
Backdoor Attack and Defense in Federated Generative Adversarial Network-based Medical Image Synthesis [15.41200827860072]
フェデレートラーニング(FL)は、分散データを使用して、生データをローカルに保持しながら、中央モデルをトレーニングする方法を提供する。バックドア攻撃には弱いが、訓練データに毒を盛ることによる敵の攻撃である。ほとんどのバックドア攻撃戦略は、分類モデルと集中型ドメインに焦点を当てている。本稿では,FL設定におけるバックドア攻撃を効果的かつ効果的に防御するFedDetectを提案する。
論文参考訳（メタデータ） (2022-10-19T21:03:34Z)
Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers [47.828297621738265]
攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
論文参考訳（メタデータ） (2020-10-30T15:27:44Z)
Cascaded WLAN-FWA Networking and Computing Architecture for Pervasive In-Home Healthcare [14.05576563358248]
本稿では, てんかん患者に焦点をあてて, 室内医療モニタリングを支援する新しいアーキテクチャを提案する。 IEEE 802.11axは、家庭内および5G対応固定無線リンクの生理的および環境的データを収集するために無線ローカルエリアネットワークに使用される。ルータにローカルコンピューティング機能を含むことは、モバイルエッジコンピューティングリソースとともに、アーキテクチャのさらなる強化を意味する。
論文参考訳（メタデータ） (2020-10-08T07:16:00Z)
Decentralized Privacy-Preserving Proximity Tracing [50.27258414960402]
DP3TはSARS-CoV-2の普及を遅らせるための技術基盤を提供する。システムは、個人やコミュニティのプライバシーとセキュリティのリスクを最小限にすることを目的としている。
論文参考訳（メタデータ） (2020-05-25T12:32:02Z)
Digital Ariadne: Citizen Empowerment for Epidemic Control [55.41644538483948]
新型コロナウイルスの危機は、1918年のH1N1パンデミック以来、公衆衛生にとって最も危険な脅威である。技術支援による位置追跡と接触追跡は、広く採用されれば、感染症の拡散を抑えるのに役立つかもしれない。個人のデバイス上での自発的な位置情報とBluetoothトラッキングに基づいて、"diAry"や"digital Ariadne"と呼ばれるツールを提示する。
論文参考訳（メタデータ） (2020-04-16T15:53:42Z)
Give more data, awareness and control to individual citizens, and they will help COVID-19 containment [74.10257867142049]
連絡先追跡アプリは、多くの国で大規模採用が提案されている。中央集権的なアプローチは、市民のプライバシーと不必要に強力なデジタル監視に対する懸念を提起する。我々は、個人の「個人データストア」にのみ連絡先と位置情報を収集する分散的アプローチを提唱する。
論文参考訳（メタデータ） (2020-04-10T20:30:37Z)

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。