論文の概要: The Age of DDoScovery: An Empirical Comparison of Industry and Academic DDoS Assessments

• arxiv url: http://arxiv.org/abs/2410.11708v1
• Date: Tue, 15 Oct 2024 15:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:00:13.137310
• Title: The Age of DDoScovery: An Empirical Comparison of Industry and Academic DDoS Assessments
• Title（参考訳）: DDoS発見の時代:産業と学術DDoSアセスメントの実証的比較
• Authors: Raphael Hiesgen, Marcin Nawrocki, Marinho Barcellos, Daniel Kopp, Oliver Hohlfeld, Echo Chan, Roland Dobbins, Christian Doerr, Christian Rossow, Daniel R. Thomas, Mattijs Jonker, Ricky Mok, Xiapu Luo, John Kristoff, Thomas C. Schmidt, Matthias Wählisch, kc claffy,
• Abstract要約: 我々はまず、2022年の商業利害関係者の観測からトレンドや一貫性を抽出する24の業界レポートを分析した。 そして、業界と学術ソースにまたがる10のデータセットを4年(2019-2023)にわたって分析し、不一致を発見し説明します。 2021-2022年のスプーフ型リフレクション増幅攻撃で、業界が報告した相対的な減少を調査するために、学術データソースを使用します。
• 参考スコア（独自算出の注目度）: 24.591000410278298
• License:
• Abstract: Motivated by the impressive but diffuse scope of DDoS research and reporting, we undertake a multistakeholder (joint industry-academic) analysis to seek convergence across the best available macroscopic views of the relative trends in two dominant classes of attacks - direct-path attacks and reflection-amplification attacks. We first analyze 24 industry reports to extract trends and (in)consistencies across observations by commercial stakeholders in 2022. We then analyze ten data sets spanning industry and academic sources, across four years (2019-2023), to find and explain discrepancies based on data sources, vantage points, methods, and parameters. Our method includes a new approach: we share an aggregated list of DDoS targets with industry players who return the results of joining this list with their proprietary data sources to reveal gaps in visibility of the academic data sources. We use academic data sources to explore an industry-reported relative drop in spoofed reflection-amplification attacks in 2021-2022. Our study illustrates the value, but also the challenge, in independent validation of security-related properties of Internet infrastructure. Finally, we reflect on opportunities to facilitate greater common understanding of the DDoS landscape. We hope our results inform not only future academic and industry pursuits but also emerging policy efforts to reduce systemic Internet security vulnerabilities.
• Abstract（参考訳）: DDoS研究とレポートの目覚ましい範囲に触発されて、私たちは、直接パス攻撃とリフレクション増幅攻撃という2つの主要な攻撃の2つのクラスにおける、相対的傾向に関する最も有効なマクロな見解の収束を求める、マルチステークホルダー(共同産業学術)分析を実施しました。 我々はまず、2022年の商業利害関係者の観測からトレンドや一貫性を抽出する24の業界レポートを分析した。 そして、業界と学術ソースにまたがる10のデータセットを分析し、4年間(2019年-2023年)にわたってデータソース、バンテージポイント、メソッド、パラメータに基づいて不一致を発見し、説明します。 我々は、このリストを独自のデータソースに登録した結果を返す業界プレーヤーとDDoSターゲットの集合リストを共有し、学術データソースの可視性のギャップを明らかにする。 2021-2022年のスプーフ型リフレクション増幅攻撃で、業界が報告した相対的な減少を調査するために、学術データソースを使用します。 本研究は,インターネットインフラストラクチャのセキュリティ関連特性の独立性検証において,その価値に加えて課題も示している。 最後に、DDoSランドスケープのより一般的な理解を促進する機会について考察する。 今後の学術的、産業的な追求だけでなく、インターネットのセキュリティの脆弱性を減らそうとする新たな政策の取り組みにも報いることを願っています。

関連論文リスト

• Tackling Cyberattacks through AI-based Reactive Systems: A Holistic Review and Future Vision [0.10923877073891446]
  本稿では,AIによる脅威応答システムの最近の進歩を包括的に調査する。 AI反応ドメインに関する最新の調査は2017年に実施された。 合計で7つの研究課題が特定され、潜在的なギャップを指摘し、開発分野の可能性を示唆している。
  論文  参考訳（メタデータ） (2023-12-11T09:17:01Z)
• SoK: Evaluations in Industrial Intrusion Detection Research [8.356036431147889]
  産業侵入検知システムは、最も洗練された侵入さえもタイムリーに発見しようとする。 社会に対する批判のため、この急速に成長する分野は様々な背景から研究者を惹きつけている。 609の論文を分析したところ, この研究分野の急速な成長は, 肯定的かつ否定的な結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2023-11-06T07:49:58Z)
• Designing an attack-defense game: how to increase robustness of financial transaction models via a competition [69.08339915577206]
  金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。 本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。 我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。 参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
  論文  参考訳（メタデータ） (2023-08-22T12:53:09Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Perspectives of Non-Expert Users on Cyber Security and Privacy: An Analysis of Online Discussions on Twitter [3.5174884177930448]
  2つの機械学習ベースの分類器が開発され、413,985ツイートが特定された。 われわれは、2021年のサイバーセキュリティやプライバシー関連のトピックに関する非専門家のツイートが、世界的な新型コロナウイルス(COVID-19)のロックダウンの開始前(2019年1月から2020年2月)と比べて54%増加したことを観察した。 私たちの分析によると、VPN、Wi-Fi、スマートフォン、ラップトップ、スマートホームデバイス、金融セキュリティ、さまざまな利害関係者に関わるセキュリティとプライバシーの問題など、この3年間に渡り、専門家でないユーザーが議論してきたさまざまなトピックが明らかになった。
  論文  参考訳（メタデータ） (2022-06-05T11:54:48Z)
• Wild Patterns Reloaded: A Survey of Machine Learning Security against Training Data Poisoning [32.976199681542845]
  我々は、機械学習における中毒攻撃と防御の包括的体系化を提供する。 私たちはまず、現在の脅威モデルと攻撃を分類し、それに従って既存の防衛を組織化します。 我々は、我々の体系化は、他のデータモダリティに対する最先端の攻撃や防御も含んでいると論じている。
  論文  参考訳（メタデータ） (2022-05-04T11:00:26Z)
• Recent Advances in Reliable Deep Graph Learning: Inherent Noise, Distribution Shift, and Adversarial Attack [56.132920116154885]
  深層グラフ学習(DGL)は、ビジネス分野と科学分野の両方において顕著な進歩を遂げている。 DGLを現実世界のアプリケーションに適用することは、固有のノイズ、分散シフト、敵攻撃など、一連の信頼性上の脅威に直面します。
  論文  参考訳（メタデータ） (2022-02-15T00:55:16Z)
• Detecting adversaries in Crowdsourcing [71.20185379303479]
  本研究は, クラウドソース型分類における敵の影響を, 人気のダウィド・アンド・スケネモデルを用いて検討する。 敵は、クラウドソーシングモデルから任意に逸脱することを許され、潜在的に協力する可能性がある。 我々は,アノテータ応答の2次モーメント構造を利用して,多数の敵を識別し,クラウドソーシングタスクへの影響を軽減するアプローチを開発した。
  論文  参考訳（メタデータ） (2021-10-07T15:07:07Z)
• Data Poisoning Attacks and Defenses to Crowdsourcing Systems [26.147716118854614]
  クラウドソーシングはデータ中毒攻撃に対して脆弱であることを示す。 悪意のあるクライアントは、集約されたデータを壊すために注意深く作られたデータを提供します。 悪質なクライアントの影響を減らすため、2つの防御策を提案する。
  論文  参考訳（メタデータ） (2021-02-18T06:03:48Z)
• Explainable Patterns: Going from Findings to Insights to Support Data Analytics Democratization [60.18814584837969]
  我々は,データストーリテリングの探索と作成において,レイユーザをサポートする新しいフレームワークであるExplainable Patterns (ExPatt)を提示する。 ExPattは、外部(テキスト)の情報ソースを使用して、観察または選択された発見の実用的な説明を自動的に生成します。
  論文  参考訳（メタデータ） (2021-01-19T16:13:44Z)

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。