論文の概要: Doing good by fighting fraud: Ethical anti-fraud systems for mobile
payments
- arxiv url: http://arxiv.org/abs/2106.14861v2
- Date: Tue, 29 Jun 2021 01:46:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 11:55:59.056525
- Title: Doing good by fighting fraud: Ethical anti-fraud systems for mobile
payments
- Title(参考訳): 詐欺と戦うことで善を尽くす:モバイル決済のための倫理的反詐欺システム
- Authors: Zainul Abi Din (1), Hari Venugopalan (1), Henry Lin (2), Adam
Wushensky (2), Steven Liu (2), Samuel T. King (1 and 2) ((1) University of
California, Davis, (2) Bouncer Technologies)
- Abstract要約: モバイル端末で動作する実際のアプリケーションにおいて、既存のアンチファンドセキュリティチャレンジであるBoxerを実行するための大規模な測定結果を示す。
Boxerは全体的にうまく機能するが、機械学習モデルを実行するデバイスを毎秒1フレーム未満(FPS)で効率的にスキャンすることができず、安価なデバイスを使用するユーザをブロックしている。
このシステムは、現代のモバイルデバイスで見られる幅広いパフォーマンス特性とハードウェア構成にまたがる支払いカードをスキャンする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: App builders commonly use security challenges, a form of step-up
authentication, to add security to their apps. However, the ethical
implications of this type of architecture has not been studied previously. In
this paper, we present a large-scale measurement study of running an existing
anti-fraud security challenge, Boxer, in real apps running on mobile devices.
We find that although Boxer does work well overall, it is unable to scan
effectively on devices that run its machine learning models at less than one
frame per second (FPS), blocking users who use inexpensive devices. With the
insights from our study, we design Daredevil, anew anti-fraud system for
scanning payment cards that work swell across the broad range of performance
characteristics and hardware configurations found on modern mobile devices.
Daredevil reduces the number of devices that run at less than one FPS by an
order of magnitude compared to Boxer, providing a more equitable system for
fighting fraud. In total, we collect data from 5,085,444 real devices spread
across 496 real apps running production software and interacting with real
users.
- Abstract(参考訳): アプリビルダーは一般的に、ステップアップ認証の一種であるセキュリティ課題を使用して、アプリケーションにセキュリティを追加する。
しかし、この種の建築の倫理的影響は以前にも研究されていない。
本稿では,モバイルデバイス上で動作している実際のアプリケーションにおいて,既存のセキュリティ問題であるBoxerを大規模に測定する。
Boxerは全体的にうまく機能するが、機械学習モデルを実行するデバイスを毎秒1フレーム未満(FPS)で効率的にスキャンすることができず、安価なデバイスを使用するユーザをブロックしている。
現代のモバイルデバイスで見られる幅広いパフォーマンス特性とハードウェア構成にまたがる、支払いカードのスキャンのための新しいアンチフレイドシステムであるdaredevilをデザインした。
Daredevilは、1FPS以下で動くデバイスの数を、Boxerに比べて桁違いに減らし、詐欺と戦うためのより公平なシステムを提供する。
総計5,085,444台の実デバイスから、プロダクションソフトウェアを実行し、実際のユーザと対話する496個の実アプリにまたがるデータを収集した。
関連論文リスト
- Improving the Security of Smartwatch Payment with Deep Learning [0.0]
この論文は、ユーザーがスマートウォッチ支払いの認証システムにエンロールするために必要なジェスチャーの数を減らすことができるかどうかを調査する。
まず,最先端技術よりも優れたディープラーニング認証システムを構築する。
そこで我々は,ユーザ固有のジェスチャを生成するための正規化オートエンコーダモデルを開発した。
論文 参考訳(メタデータ) (2023-07-11T17:02:21Z) - The Best Defense is a Good Offense: Adversarial Augmentation against
Adversarial Attacks [91.56314751983133]
A5$は、手元の入力に対する攻撃が失敗することを保証するために防御的摂動を構築するためのフレームワークである。
我々は,地上の真理ラベルを無視するロバスト化ネットワークを用いて,実機での防御強化を効果的に示す。
また、A5$を適用して、確実に堅牢な物理オブジェクトを作成する方法も示します。
論文 参考訳(メタデータ) (2023-05-23T16:07:58Z) - DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified
Robustness [58.23214712926585]
我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。
具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。
私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
論文 参考訳(メタデータ) (2023-03-20T17:25:22Z) - Visual Detection of Personal Protective Equipment and Safety Gear on
Industry Workers [49.36909714011171]
我々は、PPE(Personal Protective Equipment)の使用を検知するカメラを用いて、労働者の安全を向上するシステムを開発した。
我々の焦点は、制限区域へのアクセスを得るために労働者が自らを提示しなければならないエントリーコントロールポイントに我々のシステムを実装することである。
この研究の新たな特徴は、クラス数を5つの対象(ヘルメット、安全ベスト、安全手袋、安全眼鏡、聴覚保護)に増やすことである。
論文 参考訳(メタデータ) (2022-12-09T11:50:03Z) - Face Presentation Attack Detection [59.05779913403134]
顔認識技術は、チェックインやモバイル支払いといった日々の対話的アプリケーションで広く利用されている。
しかしながら、プレゼンテーションアタック(PA)に対する脆弱性は、超セキュアなアプリケーションシナリオにおける信頼性の高い使用を制限する。
論文 参考訳(メタデータ) (2022-12-07T14:51:17Z) - A novel approach to increase scalability while training machine learning
algorithms using Bfloat 16 in credit card fraud detection [0.0]
本研究は、銀行のクレジットカード不正検出システムにおける機械学習のスケーラビリティに焦点を当てる。
提案手法で利用可能な既存の機械学習アルゴリズムと手法を比較した。
目標は、機械学習アルゴリズムのトレーニングにビットが少ないため、よりスケーラブルなシステムが実現され、時間が短縮され、実装にコストがかかることを証明することだ。
論文 参考訳(メタデータ) (2022-06-24T01:22:17Z) - Identification of Significant Permissions for Efficient Android Malware
Detection [2.179313476241343]
5つのビジネス/産業モバイルアプリケーションの1つが機密個人データを漏洩します。
従来のシグネチャ/ヒューリスティックベースのマルウェア検出システムは、現在のマルウェア問題に対処できない。
機械学習とディープニューラルネットワークを用いた効率的なAndroidマルウェア検出システムを提案する。
論文 参考訳(メタデータ) (2021-02-28T22:07:08Z) - A Non-Intrusive Machine Learning Solution for Malware Detection and Data
Theft Classification in Smartphones [0.06999740786886537]
モバイルマルウェア攻撃に成功すれば、ユーザーの位置情報、写真、銀行情報さえ盗むことができる。
スマートフォンのマルウェア侵入を検出するだけでなく、盗まれたデータを識別して評価し、回復を助け、将来の攻撃を防ぐ必要があります。
マルウェアの侵入を検出するだけでなく、監視対象のアプリで盗まれたデータの種類を特定するために、アクセス可能な非侵入型機械学習ソリューションを提案します。
論文 参考訳(メタデータ) (2021-02-12T13:31:27Z) - Adversarial EXEmples: A Survey and Experimental Evaluation of Practical
Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。
我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。
これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
論文 参考訳(メタデータ) (2020-08-17T07:16:57Z) - Less is More: A privacy-respecting Android malware classifier using
Federated Learning [2.1301190271783312]
LiMは、Federated Learningを利用して悪意のあるアプリを検出し、分類するマルウェア分類フレームワークである。
新たにインストールされたアプリに関する情報は、ユーザのデバイスにローカルに保持されるため、プロバイダは、ユーザがインストールしたアプリを推測することはできない。
LiMは、クライアントの半数を制御している敵による毒殺攻撃と、正直だが悪質なクラウドサーバによる推論攻撃の両方に対して堅牢であることを示す。
論文 参考訳(メタデータ) (2020-07-16T13:20:33Z) - Mind the GAP: Security & Privacy Risks of Contact Tracing Apps [75.7995398006171]
GoogleとAppleは共同で,Bluetooth Low Energyを使用した分散型コントラクトトレースアプリを実装するための公開通知APIを提供している。
実世界のシナリオでは、GAP設計は(i)プロファイリングに脆弱で、(ii)偽の連絡先を生成できるリレーベースのワームホール攻撃に弱いことを実証する。
論文 参考訳(メタデータ) (2020-06-10T16:05:05Z)
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。