Fugu-MT 論文翻訳(概要): POST: Email Archival, Processing and Flagging Stack for Incident Responders

論文の概要: POST: Email Archival, Processing and Flagging Stack for Incident Responders

arxiv url: http://arxiv.org/abs/2407.01433v1
Date: Mon, 1 Jul 2024 16:23:45 GMT
ステータス: 処理完了
システム内更新日: 2024-07-03 20:41:15.482951
Title: POST: Email Archival, Processing and Flagging Stack for Incident Responders
Title（参考訳）: POST: インシデントレスポンダのメールアーカイブ、処理、フラグ付けスタック
Authors: Jeffrey Fairbanks,
Abstract要約: フィッシングは主要な妥協点の1つであり、メールのセキュリティと認識は2022年の50-100億ドルと見積もられている。 Postは、大小を問わず、API駆動のサーバレスEメールアーカイブ、処理、フラグ付けワークフローである。メールのあらゆる側面の完全なメール検索を可能にし、最大68.6%のコスト削減を提供する。
参考スコア（独自算出の注目度）: 0.9790236766474201
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Phishing is one of the main points of compromise, with email security and awareness being estimated at \$50-100B in 2022. There is great need for email forensics capability to quickly search for malicious content. A novel solution POST is proposed. POST is an API driven serverless email archival, processing, and flagging workflow for both large and small organizations that collects and parses all email, flags emails using state of the art Natural Language Processing and Machine Learning, allows full email searching on every aspect of an email, and provides a cost savings of up to 68.6%.
Abstract（参考訳）: フィッシングは主要な妥協点の1つであり、メールのセキュリティと認識は2022年に50-100億ドルと見積もられている。悪意のあるコンテンツを素早く検索するためには、メールの法医学的な能力がとても必要です。新たなソリューションPOSTが提案されている。 POSTは、すべての電子メールを収集、解析し、最先端の自然言語処理と機械学習を使用して電子メールをフラグ付けし、Eメールのすべての側面を完全なEメール検索を可能にし、最大68.6%のコスト削減を提供する、大規模および小規模組織のAPI駆動のサーバーレスEメールアーカイブ、処理、フラグ付けワークフローである。

関連論文リスト

Exploring Content Concealment in Email [0.48748194765816943]
現代のメールフィルターは、悪意のあるメールに対する防御メカニズムの1つであり、しばしば高度な攻撃者によって回避される。本研究は,攻撃者がメール中のHTMLとCSSを利用して任意のコンテンツを隠蔽する方法に焦点を当てる。この隠されたコンテンツは、受信者によって検出されず、深刻なセキュリティリスクが生じる。
論文参考訳（メタデータ） (2024-10-15T01:12:47Z)
Prompted Contextual Vectors for Spear-Phishing Detection [45.07804966535239]
スパイアフィッシング攻撃は重大なセキュリティ上の課題を示す。本稿では,新しい文書ベクトル化手法に基づく検出手法を提案する。提案手法は, LLM生成したスピアフィッシングメールの識別において, 91%のF1スコアを達成する。
論文参考訳（メタデータ） (2024-02-13T09:12:55Z)
Anomaly Detection in Emails using Machine Learning and Header Information [0.0]
フィッシングやスパムなどのメールの異常は、大きなセキュリティリスクをもたらす。メールの異常検出に関する従来の研究は、単一のタイプの異常と、メール本体と被写体の内容の分析に頼っていた。本研究では,メールヘッダデータセットの特徴抽出と抽出を行い,複数クラスおよび一クラスの異常検出手法を利用した。
論文参考訳（メタデータ） (2022-03-19T23:31:23Z)
One-shot Key Information Extraction from Document with Deep Partial Graph Matching [60.48651298832829]
ドキュメントからキー情報抽出(KIE)は、多くの産業シナリオにおいて効率、生産性、セキュリティを改善する。 KIEタスクのための既存の教師付き学習手法は、多数のラベル付きサンプルを供給し、異なる種類の文書の別々のモデルを学ぶ必要がある。部分グラフマッチングを用いたワンショットKIEのためのディープエンド・ツー・エンド・トレーニング可能なネットワークを提案する。
論文参考訳（メタデータ） (2021-09-26T07:45:53Z)
Falling for Phishing: An Empirical Investigation into People's Email Response Behaviors [10.841507821036458]
高度なフィッシングメール検出システムにもかかわらず、人間はフィッシングメールによって騙され続けている。我々は電子メールを読む際の人々の思考過程を調査するための実証的研究を行った。我々は、フィッシングと合法メールの両方に対する人々の反応決定に影響を与える11の要因を特定します。
論文参考訳（メタデータ） (2021-08-10T16:19:01Z)
EmailSum: Abstractive Email Thread Summarization [105.46012304024312]
我々は,メールスレッド要約(EmailSum)データセットを抽象化的に開発する。このデータセットには、人間による注釈付きショート(30ワード)と、2549のメールスレッドからなるロング(100ワード)のサマリーが含まれている。本研究は,現在の抽象的要約モデルの課題を明らかにするものである。
論文参考訳（メタデータ） (2021-07-30T15:13:14Z)
Phishing Detection through Email Embeddings [2.099922236065961]
機械学習技術によるフィッシングメール検出の問題点は文献で広く議論されている。本稿では,電子メールの埋め込みによってこれらの手がかりが捉えられるか無視されるかを調べるために,同様の指標を用いたフィッシングと正当性メールのセットを構築した。以上の結果から,eメール埋め込み手法は,メールをフィッシングあるいは正当に分類するのに有効であることが示された。
論文参考訳（メタデータ） (2020-12-28T21:16:41Z)
Robust and Verifiable Information Embedding Attacks to Deep Neural Networks via Error-Correcting Codes [81.85509264573948]
ディープラーニングの時代、ユーザは、サードパーティの機械学習ツールを使用して、ディープニューラルネットワーク(DNN)分類器をトレーニングすることが多い。情報埋め込み攻撃では、攻撃者は悪意のあるサードパーティの機械学習ツールを提供する。本研究では,一般的なポストプロセッシング手法に対して検証可能で堅牢な情報埋め込み攻撃を設計することを目的とする。
論文参考訳（メタデータ） (2020-10-26T17:42:42Z)
Scaling Systematic Literature Reviews with Machine Learning Pipelines [57.82662094602138]
体系的なレビューは、科学的文書からデータを抽出する。これらの側面をそれぞれ自動化するパイプラインを構築し、多くの人間時間対システム品質トレードオフを実験します。人間の専門的アノテーションの2週間だけで、パイプラインシステム全体の驚くほどの精度と一般性が得られることが分かりました。
論文参考訳（メタデータ） (2020-10-09T16:19:42Z)
Learning with Weak Supervision for Email Intent Detection [56.71599262462638]
本稿では,メールの意図を検出するために,ユーザアクションを弱い監視源として活用することを提案する。メール意図識別のためのエンドツーエンドの堅牢なディープニューラルネットワークモデルを開発した。
論文参考訳（メタデータ） (2020-05-26T23:41:05Z)

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。