Fugu-MT 論文翻訳(概要): Threat Detection for General Social Engineering Attack Using Machine Learning Techniques

論文の概要: Threat Detection for General Social Engineering Attack Using Machine Learning Techniques

arxiv url: http://arxiv.org/abs/2203.07933v1
Date: Tue, 15 Mar 2022 14:18:22 GMT
ステータス: 処理完了
システム内更新日: 2022-03-16 16:18:27.971701
Title: Threat Detection for General Social Engineering Attack Using Machine Learning Techniques
Title（参考訳）: 機械学習を用いた一般社会工学的攻撃に対する脅威検出
Authors: Zuoguang Wang, Yimo Ren, Hongsong Zhu, Limin Sun
Abstract要約: 本稿では,機械学習(ML)技術を用いた一般社会工学(SE)攻撃の脅威検出について検討する。実験結果と分析結果から,1) ML手法は一般SE攻撃脅威の検出に有効であり,いくつかのMLモデルは非常に有効である。
参考スコア（独自算出の注目度）: 7.553860996595933
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper explores the threat detection for general social engineering (SE) attack using machine learning (ML) techniques, rather than focusing on or limited to a specific SE attack type, e.g. email phishing. Firstly, this paper processes and obtains more SE threat data from the previous knowledge graph, and then extracts different threat features and generates new datasets corresponding with three different feature combinations. Finally, 9 types of ML models are created and trained using the three datasets, respectively, and their performance are compared and analyzed with 27 threat detectors/classifiers and 270 experiments. The experimental results and analysis show that: 1) the ML techniques is feasible in detecting general SE attack threat and some ML models are quite effective; ML-based SE threat detection is complementary with knowledge graph-based approaches; 2) the generated datasets are usable; the SE domain ontology proposed in previous work can dissect SE attacks and deliver the SE threat features, allowing it to be used as a data model for future research. Besides, many conclusions and analyses about the characteristics of different ML models and the datasets are discussed.
Abstract（参考訳）: 本稿では、メールフィッシングなど特定のSE攻撃タイプに着目したり制限したりするのではなく、機械学習(ML)技術を用いた一般社会工学(SE)攻撃に対する脅威検出について検討する。まず,従来の知識グラフからSE脅威データを処理し,次に異なる脅威特徴を抽出し,3つの異なる特徴の組み合わせに対応する新しいデータセットを生成する。最後に、3つのデータセットを用いて9種類のMLモデルを作成し、訓練し、その性能を27の脅威検出/分類器と270の実験で比較分析する。実験の結果と分析の結果は 1) ml技術は一般のse攻撃脅威の検出に有効であり、いくつかのmlモデルは非常に効果的である;mlベースのse脅威検出は知識グラフに基づくアプローチと相補的である。 2) 生成されたデータセットは使用可能であり、以前の研究で提案されたseドメインオントロジーはse攻撃を解剖し、se脅威機能を提供し、将来の研究のためのデータモデルとして使用できる。さらに、異なるMLモデルとデータセットの特性に関する多くの結論と分析について論じる。

関連論文リスト

Investigating Adversarial Attacks in Software Analytics via Machine Learning Explainability [11.16693333878553]
本研究では、ソフトウェア解析タスクにおけるMLモデルの堅牢性を測定するために、ML説明可能性と敵攻撃の関係について検討する。 6つのデータセット、3つのML説明可能性技術、7つのMLモデルを含む我々の実験は、ソフトウェア分析タスクにおいてMLモデルに対する敵攻撃を成功させるのにML説明可能性を使用することができることを示した。
論文参考訳（メタデータ） (2024-08-07T23:21:55Z)
Impacts of Data Preprocessing and Hyperparameter Optimization on the Performance of Machine Learning Models Applied to Intrusion Detection Systems [0.8388591755871736]
侵入検知システム(IDS)は継続的に改善されている。その多くは、脅威を特定するために機械学習(ML)技術を採用している。本稿では,この研究ギャップを埋める研究について述べる。
論文参考訳（メタデータ） (2024-07-15T14:30:25Z)
Attack Tree Analysis for Adversarial Evasion Attacks [1.0442919217572477]
MLベースシステムの導入において、ML固有の攻撃のリスクを分析する必要がある。本研究では,攻撃木を用いた避難攻撃のリスクを定量的に評価する手法を提案する。
論文参考訳（メタデータ） (2023-12-28T11:02:37Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。電力信号に注入された逆方向の歪みはシステムの正常な制御と操作に大きな影響を及ぼす安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文参考訳（メタデータ） (2023-08-30T03:29:26Z)
Can Adversarial Examples Be Parsed to Reveal Victim Model Information? [62.814751479749695]
本研究では,データ固有の敵インスタンスから,データに依存しない被害者モデル(VM)情報を推測できるかどうかを問う。我々は,135件の被害者モデルから生成された7種類の攻撃に対して,敵攻撃のデータセットを収集する。単純な教師付きモデル解析ネットワーク(MPN)は、見えない敵攻撃からVM属性を推測できることを示す。
論文参考訳（メタデータ） (2023-03-13T21:21:49Z)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
Threat Assessment in Machine Learning based Systems [12.031113181911627]
我々は機械学習に基づくシステムに対して報告された脅威を実証研究する。この研究は、MITREのATLASデータベース、AIインシデントデータベース、および文学からの89の現実世界のML攻撃シナリオに基づいている。その結果,畳み込みニューラルネットワークは攻撃シナリオの中でも最も標的となるモデルの一つであることがわかった。
論文参考訳（メタデータ） (2022-06-30T20:19:50Z)
CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文参考訳（メタデータ） (2022-06-09T09:17:38Z)
NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
論文参考訳（メタデータ） (2022-02-20T17:41:02Z)
ML-Doctor: Holistic Risk Assessment of Inference Attacks Against Machine Learning Models [64.03398193325572]
機械学習(ML)モデルに対する推論攻撃により、敵はトレーニングデータやモデルパラメータなどを学ぶことができる。私たちは、メンバシップ推論、モデル反転、属性推論、モデル盗難の4つの攻撃に集中しています。私たちの分析では、MLモデルオーナがモデルをデプロイするリスクを評価することができる、モジュール化された再使用可能なソフトウェアであるML-Doctorに依存しています。
論文参考訳（メタデータ） (2021-02-04T11:35:13Z)

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。

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。