Fugu-MT 論文翻訳(概要): Incorporating Deception into CyberBattleSim for Autonomous Defense

論文の概要: Incorporating Deception into CyberBattleSim for Autonomous Defense

arxiv url: http://arxiv.org/abs/2108.13980v1
Date: Tue, 31 Aug 2021 17:05:02 GMT
ステータス: 処理完了
システム内更新日: 2021-09-01 14:25:24.587108
Title: Incorporating Deception into CyberBattleSim for Autonomous Defense
Title（参考訳）: サイバーバトルシムに偽装を組み込んだ自律防衛
Authors: Erich Walter, Kimberly Ferguson-Walter, Ahmad Ridley
Abstract要約: ハニーポットやデコイなどの知覚要素は、Microsoft CyberBattleSimの実験と研究プラットフォームに組み込まれた。認識要素の防御能力は, フラグの捕獲環境において, 強化学習に基づく攻撃者を用いて検証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deceptive elements, including honeypots and decoys, were incorporated into the Microsoft CyberBattleSim experimentation and research platform. The defensive capabilities of the deceptive elements were tested using reinforcement learning based attackers in the provided capture the flag environment. The attacker's progress was found to be dependent on the number and location of the deceptive elements. This is a promising step toward reproducibly testing attack and defense algorithms in a simulated enterprise network with deceptive defensive elements.
Abstract（参考訳）: ハニーポットやデコイなどの知覚要素は、Microsoft CyberBattleSimの実験と研究プラットフォームに組み込まれた。偽装要素の防御能力は,フラグ環境を捕捉する強化学習に基づく攻撃者を用いて検証された。攻撃者の進行は、偽りの要素の数と位置に依存することが判明した。これは、偽りの防御要素を持つシミュレーションされたエンタープライズネットワークにおける攻撃と防御のアルゴリズムを再現的にテストするための有望なステップである。

関連論文リスト

Hindering Adversarial Attacks with Multiple Encrypted Patch Embeddings [13.604830818397629]
効率性とロバスト性の両方に着目したキーベースの新たな防衛手法を提案する。我々は,(1)効率的なトレーニングと(2)任意ランダム化という2つの大きな改善をともなう,以前の防衛基盤を構築した。実験はImageNetデータセット上で行われ、提案された防御は最先端の攻撃兵器に対して評価された。
論文参考訳（メタデータ） (2023-09-04T14:08:34Z)
Training Automated Defense Strategies Using Graph-based Cyber Attack Simulations [0.0]
自動サイバー防御エージェントの実装と評価を行う。エージェントは、セキュリティアラートを入力として、強化学習を使用して、事前に定義された防御措置を実行するためのポリシーを学ぶ。実験では、強化学習で訓練されたポリシーを用いた防御剤は、ポリシーを用いた優れたエージェントである。
論文参考訳（メタデータ） (2023-04-17T07:52:00Z)
DOLOS: A Novel Architecture for Moving Target Defense [3.2249474972573555]
移動目標防衛とサイバー詐欺は、近年2つの重要なサイバー防衛アプローチとして出現した。本稿では,サイバー認知と移動目標防衛を一体化した新しいアーキテクチャであるDOLOSについて述べる。 DOLOSは攻撃を遅くし、生産システムの完全性を保護するのに非常に効果的であることを示す。
論文参考訳（メタデータ） (2023-03-01T10:13:03Z)
Randomness in ML Defenses Helps Persistent Attackers and Hinders Evaluators [49.52538232104449]
堅牢なMLディフェンスを設計することがますます重要になっている。近年の研究では、当初最先端の攻撃に抵抗する多くの防衛は、適応的な敵によって破壊される可能性があることが判明している。我々は、防御設計をシンプルにし、ホワイトボックスの防御は可能な限りランダム性を損なうべきだと論じる。
論文参考訳（メタデータ） (2023-02-27T01:33:31Z)
Increasing Confidence in Adversarial Robustness Evaluations [53.2174171468716]
本稿では,弱い攻撃を識別し,防御評価を弱めるテストを提案する。本テストでは,各サンプルに対する逆例の存在を保証するため,ニューラルネットワークをわずかに修正した。これまでに公表された13の防衛のうち、11の防衛について、元の防衛評価は我々のテストに失敗し、これらの防衛を破る強力な攻撃はそれを通過する。
論文参考訳（メタデータ） (2022-06-28T13:28:13Z)
Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文参考訳（メタデータ） (2021-11-23T23:42:16Z)
Attack Agnostic Adversarial Defense via Visual Imperceptible Bound [70.72413095698961]
本研究の目的は、目視攻撃と目視攻撃の両方に対して一定の範囲内で堅牢な防衛モデルを設計することである。提案するディフェンスモデルは,MNIST,CIFAR-10,Tiny ImageNetデータベース上で評価される。提案アルゴリズムは攻撃非依存であり,攻撃アルゴリズムの知識を必要としない。
論文参考訳（メタデータ） (2020-10-25T23:14:26Z)
Online Alternate Generator against Adversarial Attacks [144.45529828523408]
ディープラーニングモデルは、実際の画像に準知覚可能なノイズを加えることによって合成される敵の例に非常に敏感である。対象ネットワークのパラメータをアクセスしたり変更したりする必要のない,ポータブルな防御手法であるオンライン代替ジェネレータを提案する。提案手法は,入力画像のスクラッチから別の画像をオンライン合成することで,対向雑音を除去・破壊する代わりに機能する。
論文参考訳（メタデータ） (2020-09-17T07:11:16Z)
Deflecting Adversarial Attacks [94.85315681223702]
我々は、攻撃者が攻撃対象クラスに似た入力を生成することによって、敵攻撃を「防御」するこのサイクルを終わらせる新しいアプローチを提案する。本稿ではまず,3つの検出機構を組み合わせたカプセルネットワークに基づくより強力な防御手法を提案する。
論文参考訳（メタデータ） (2020-02-18T06:59:13Z)

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。