Fugu-MT 論文翻訳(概要): A Heterogeneous Graph Learning Model for Cyber-Attack Detection

論文の概要: A Heterogeneous Graph Learning Model for Cyber-Attack Detection

arxiv url: http://arxiv.org/abs/2112.08986v1
Date: Thu, 16 Dec 2021 16:03:39 GMT
ステータス: 処理完了
システム内更新日: 2021-12-17 16:22:13.683250
Title: A Heterogeneous Graph Learning Model for Cyber-Attack Detection
Title（参考訳）: サイバーアタック検出のための不均一グラフ学習モデル
Authors: Mingqi Lv, Chengyu Dong, Tieming Chen, Tiantian Zhu, Qijie Song, Yuan Fan
Abstract要約: サイバー攻撃は、ハッカーが標的とする情報システムに侵入する悪意のある試みである。本稿では,証明データに基づく知的サイバー攻撃検出手法を提案する。実験の結果,提案手法は他の学習ベース検出モデルよりも優れていることがわかった。
参考スコア（独自算出の注目度）: 4.559898668629277
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A cyber-attack is a malicious attempt by experienced hackers to breach the target information system. Usually, the cyber-attacks are characterized as hybrid TTPs (Tactics, Techniques, and Procedures) and long-term adversarial behaviors, making the traditional intrusion detection methods ineffective. Most existing cyber-attack detection systems are implemented based on manually designed rules by referring to domain knowledge (e.g., threat models, threat intelligences). However, this process is lack of intelligence and generalization ability. Aiming at this limitation, this paper proposes an intelligent cyber-attack detection method based on provenance data. To effective and efficient detect cyber-attacks from a huge number of system events in the provenance data, we firstly model the provenance data by a heterogeneous graph to capture the rich context information of each system entities (e.g., process, file, socket, etc.), and learns a semantic vector representation for each system entity. Then, we perform online cyber-attack detection by sampling a small and compact local graph from the heterogeneous graph, and classifying the key system entities as malicious or benign. We conducted a series of experiments on two provenance datasets with real cyber-attacks. The experiment results show that the proposed method outperforms other learning based detection models, and has competitive performance against state-of-the-art rule based cyber-attack detection systems.
Abstract（参考訳）: サイバー攻撃は、経験豊富なハッカーがターゲットの情報システムに侵入する悪意のある試みである。通常、サイバー攻撃はハイブリッドTTP(戦術、技術、手順)と長期の敵行動として特徴付けられ、従来の侵入検知方法は効果がない。既存のサイバー攻撃検知システムは、ドメイン知識(脅威モデル、脅威情報など)を参照して手動で設計されたルールに基づいて実装されている。しかし、このプロセスには知性と一般化能力がない。本稿では,この制限を前提として,証明データに基づく知的サイバー攻撃検出手法を提案する。プロヴァンスデータ中の膨大な数のシステムイベントからサイバー攻撃を効果的かつ効率的に検出するために、まず、各システムエンティティ(例えば、プロセス、ファイル、ソケットなど)の豊富なコンテキスト情報をキャプチャするために、異種グラフを用いてプロヴァンスデータをモデル化し、各システムエンティティに対する意味ベクトル表現を学習する。次に,異種グラフから小型でコンパクトな局所グラフをサンプリングし,キーシステムエンティティを悪意あるいは良性として分類することにより,オンラインサイバー攻撃検出を行う。サイバー攻撃を含む2つのプロヴァンスデータセットについて,一連の実験を行った。実験の結果,提案手法は他の学習ベース検出モデルよりも優れており,最先端のルールに基づくサイバー攻撃検出システムと競合する性能を有することがわかった。

関連論文リスト

KGV: Integrating Large Language Models with Knowledge Graphs for Cyber Threat Intelligence Credibility Assessment [38.312774244521]
本稿では,CTI(Cyber Threat Intelligence)品質評価フレームワークの知識グラフに基づく検証手法を提案する。提案手法では,検証対象のOSCTIキークレームを自動的に抽出するLarge Language Models (LLM)を導入している。研究分野のギャップを埋めるために、異種情報源からの脅威情報評価のための最初のデータセットを作成し、公開しました。
論文参考訳（メタデータ） (2024-08-15T11:32:46Z)
An Approach to Abstract Multi-stage Cyberattack Data Generation for ML-Based IDS in Smart Grids [2.5655761752240505]
スマートグリッドにおける機械学習モデルを学習するためのグラフベースアプローチを用いて合成データを生成する手法を提案する。我々は、グラフ定式化によって定義された多段階サイバー攻撃の抽象形式を使用し、ネットワーク内の攻撃の伝播挙動をシミュレートする。
論文参考訳（メタデータ） (2023-12-21T11:07:51Z)
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)
RobustSense: Defending Adversarial Attack for Secure Device-Free Human Activity Recognition [37.387265457439476]
我々は、共通の敵攻撃を防御する新しい学習フレームワーク、RobustSenseを提案する。本手法は,無線による人間行動認識と人物識別システムに有効である。
論文参考訳（メタデータ） (2022-04-04T15:06:03Z)
Early Detection of Network Attacks Using Deep Learning [0.0]
ネットワーク侵入検知システム(英: Network Intrusion Detection System、IDS)は、ネットワークトラフィックを観察することによって、不正かつ悪意のない行動を特定するためのツールである。本稿では,攻撃対象のシステムにダメージを与える前に,ネットワーク攻撃を防止するために,エンド・ツー・エンドの早期侵入検知システムを提案する。
論文参考訳（メタデータ） (2022-01-27T16:35:37Z)
Sample Efficient Detection and Classification of Adversarial Attacks via Self-Supervised Embeddings [40.332149464256496]
ディープモデルのアドリヤロバスト性は、現実世界の環境において安全な配置を確保する上で重要な要素である。本稿では、敵攻撃を検知し、それらの脅威モデルに分類する自己教師型手法を提案する。我々は,SimCLRエンコーダを実験で使用しています。
論文参考訳（メタデータ） (2021-08-30T16:39:52Z)
Launching Adversarial Attacks against Network Intrusion Detection Systems for IoT [5.077661193116692]
テクノロジーは、セキュリティが後発である利益主導のモノのインターネット市場にシフトしています。従来の防御アプローチは、既知の攻撃と未知の攻撃の両方を高精度に検出するのに十分ではない。機械学習による侵入検知システムは、未知の攻撃を高精度に特定することに成功した。
論文参考訳（メタデータ） (2021-04-26T09:36:29Z)
MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
論文参考訳（メタデータ） (2020-10-25T23:01:13Z)
Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
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。
論文参考訳（メタデータ） (2020-07-05T18:22:40Z)
NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion [0.3007949058551534]
機械学習の台頭以前、攻撃を示唆するネットワーク異常は、巧妙なルールを用いて検出された。ネットワーク異常に対する機械学習の進歩により、人間がサイバー防御システムをバイパスする方法を理解することは容易ではない。本稿では, 分類器を構築し, ネットワークデータの逆例で訓練しても, 敵攻撃を利用でき, システムを破壊することができることを示す。
論文参考訳（メタデータ） (2020-02-20T01:54:45Z)
Can't Boil This Frog: Robustness of Online-Trained Autoencoder-Based Anomaly Detectors to Adversarial Poisoning Attacks [26.09388179354751]
本研究は,オンライン学習型オートエンコーダを用いたアタック検出装置に対する中毒攻撃に焦点を当てた最初の研究である。提案アルゴリズムは, オートエンコーダ検出器によって検出されない標的攻撃の原因となる毒のサンプルを生成することができることを示す。この発見は、サイバー物理領域で使用されるニューラルネットワークベースの攻撃検出器が、他の問題領域よりも毒性に強いことを示唆している。
論文参考訳（メタデータ） (2020-02-07T12:41:28Z)

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。