論文の概要: HoneyGAN Pots: A Deep Learning Approach for Generating Honeypots

• arxiv url: http://arxiv.org/abs/2407.07292v1
• Date: Wed, 10 Jul 2024 00:56:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 18:21:11.921526
• Title: HoneyGAN Pots: A Deep Learning Approach for Generating Honeypots
• Title（参考訳）: HoneyGAN Pots:ハニーポットを生成するためのディープラーニングアプローチ
• Authors: Ryan Gabrys, Daniel Silva, Mark Bilinski,
• Abstract要約: 本稿では,デコイ構成の生成にGAN(Generative Adversarial Networks)を用いることの有効性と有効性について検討する。 既存のアプローチは、しばしば設定のリストの維持や、事前設定されたイメージのコレクションの保存に依存している。 我々の研究は、このギャップに対処し、サイバーディフェンダーにネットワークディフェンスを強化する強力なツールを提供することを目的としています。
• 参考スコア（独自算出の注目度）: 12.94284364022674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the feasibility and effectiveness of employing Generative Adversarial Networks (GANs) for the generation of decoy configurations in the field of cyber defense. The utilization of honeypots has been extensively studied in the past; however, selecting appropriate decoy configurations for a given cyber scenario (and subsequently retrieving/generating them) remain open challenges. Existing approaches often rely on maintaining lists of configurations or storing collections of pre-configured images, lacking adaptability and efficiency. In this pioneering study, we present a novel approach that leverages GANs' learning capabilities to tackle these challenges. To the best of our knowledge, no prior attempts have been made to utilize GANs specifically for generating decoy configurations. Our research aims to address this gap and provide cyber defenders with a powerful tool to bolster their network defenses.
• Abstract（参考訳）: 本稿では,サイバー防衛分野におけるデコイ構成の生成におけるGAN(Generative Adversarial Networks)の適用可能性と有効性について検討する。 ミツバチの利用は過去にも広く研究されてきたが、特定のサイバーシナリオに対して適切なデコイ構成を選択する(その後、それらを回収・生成する)ことは未解決のままである。 既存のアプローチは、しばしば設定のリストの維持や、事前設定されたイメージのコレクションの保存に依存し、適応性と効率性に欠ける。 本稿では,これらの課題に対処するために,GANの学習能力を活用した新しいアプローチを提案する。 我々の知る限りでは、デコイ構成を生成するために特にGANを利用するための事前の試みは行われていない。 我々の研究は、このギャップに対処し、サイバーディフェンダーにネットワークディフェンスを強化する強力なツールを提供することを目的としています。

関連論文リスト

• A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective, Direction and Open Research Scopes [1.3631461603291568]
  GAN(Generative Adversarial Networks)は、常に変化するセキュリティ問題に対処する強力なソリューションとして登場した。 本研究は, サイバーセキュリティの防衛強化において, GANを的確に捉えた深層学習モデルの重要性について検討した。 焦点は、これらのドメインにおけるサイバーセキュリティの防御を強化するために、GANがいかに影響力のあるツールになり得るかを調べることである。
  論文  参考訳（メタデータ） (2024-07-11T19:51:48Z)
• Ungeneralizable Examples [70.76487163068109]
  学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。 学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。 UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
  論文  参考訳（メタデータ） (2024-04-22T09:29:14Z)
• Investigating Efficient Deep Learning Architectures For Side-Channel Attacks on AES [0.0]
  我々は、ASCAD(ANSSI Side-Channel Attack Database)に焦点を当て、ディープラーニングベースのSCAのためのJAXベースのフレームワークを作成します。 また,様々なトランスフォーマーモデルの有効性についても検討した。
  論文  参考訳（メタデータ） (2023-09-22T20:16:40Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense [111.9039128130633]
  我々は,防御者の地域認識とコミュニケーショングラフから行動へのマッピングを学習する模倣学習フレームワークを開発した。 学習ネットワークの性能を実証するために、異なるチームサイズと構成のシナリオで周辺防衛ゲームを実行します。
  論文  参考訳（メタデータ） (2023-01-23T19:35:59Z)
• A Survey on Reinforcement Learning-Aided Caching in Mobile Edge Networks [12.470038211838363]
  モバイルネットワークは、データ量とユーザ密度が大幅に増加している。 この問題を軽減する効率的な手法は、エッジネットワークノードのキャッシュを利用してデータをユーザに近づけることである。 機械学習とワイヤレスネットワークの融合は、ネットワーク最適化に有効な手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T10:30:56Z)
• Open-set Adversarial Defense [93.25058425356694]
  オープンセット認識システムは敵攻撃に対して脆弱であることを示す。 本研究の目的は,OSAD(Open-Set Adrial Defense, Open-Set Adrial Defense)機構の必要性である。 本稿はOSAD問題に対する解決策として,OSDN(Open-Set Defense Network)を提案する。
  論文  参考訳（メタデータ） (2020-09-02T04:35:33Z)
• CATCH: Context-based Meta Reinforcement Learning for Transferrable Architecture Search [102.67142711824748]
  CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。 メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。 また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
  論文  参考訳（メタデータ） (2020-07-18T09:35:53Z)
• Autoencoding Generative Adversarial Networks [0.0]
  本稿では,所定の潜在空間と与えられたサンプル空間とのマッピングを学習する4ネットワークモデルを提案する。 AEGAN技術は、トレーニング安定化、モード崩壊防止、実際のサンプル間の直接反転など、一般的なGANトレーニングにいくつかの改善を提供する。
  論文  参考訳（メタデータ） (2020-04-11T19:51:04Z)
• HYDRA: Pruning Adversarially Robust Neural Networks [58.061681100058316]
  ディープラーニングは、敵対的攻撃に対する堅牢性の欠如と、大規模なニューラルネットワークサイズという、2つの大きな課題に直面している。 そこで本稿では,頑健なトレーニング目標を意識したプルーニング手法を提案し,トレーニング目標にプルーンへの接続を探索させる。 HYDRAと題する我々の手法は,最先端のベニグニグニグニグニグニとロバストな精度で圧縮されたネットワークを同時に実現できることを実証する。
  論文  参考訳（メタデータ） (2020-02-24T19:54:53Z)

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。