論文の概要: MAIDS: Malicious Agent Identification-based Data Security Model for Cloud Environments

• arxiv url: http://arxiv.org/abs/2412.14490v1
• Date: Thu, 19 Dec 2024 03:27:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:31:52.605876
• Title: MAIDS: Malicious Agent Identification-based Data Security Model for Cloud Environments
• Title（参考訳）: MAIDS: クラウド環境における悪意のあるエージェント識別に基づくデータセキュリティモデル
• Authors: Kishu Gupta, Deepika Saxena, Rishabh Gupta, Ashutosh Kumar Singh,
• Abstract要約: 悪意のあるエージェントは、クラウド環境からアウトソースされたデータにアクセスすることができる。 悪意のあるエージェントは、意図的にデータを侵害するエンティティである。 本稿では,MAIDS(Malicious Agent Identification-based Data Security)モデルを提案する。
• 参考スコア（独自算出の注目度）: 4.568449519496591
• License:
• Abstract: With the vigorous development of cloud computing, most organizations have shifted their data and applications to the cloud environment for storage, computation, and sharing purposes. During storage and data sharing across the participating entities, a malicious agent may gain access to outsourced data from the cloud environment. A malicious agent is an entity that deliberately breaches the data. This information accessed might be misused or revealed to unauthorized parties. Therefore, data protection and prediction of malicious agents have become a demanding task that needs to be addressed appropriately. To deal with this crucial and challenging issue, this paper presents a Malicious Agent Identification-based Data Security (MAIDS) Model which utilizes XGBoost machine learning classification algorithm for securing data allocation and communication among different participating entities in the cloud system. The proposed model explores and computes intended multiple security parameters associated with online data communication or transactions. Correspondingly, a security-focused knowledge database is produced for developing the XGBoost Classifier-based Malicious Agent Prediction (XC-MAP) unit. Unlike the existing approaches, which only identify malicious agents after data leaks, MAIDS proactively identifies malicious agents by examining their eligibility for respective data access. In this way, the model provides a comprehensive solution to safeguard crucial data from both intentional and non-intentional breaches, by granting data to authorized agents only by evaluating the agents behavior and predicting the malicious agent before granting data.
• Abstract（参考訳）: クラウドコンピューティングの活発な開発により、ほとんどの組織は、データとアプリケーションをストレージ、計算、共有のためにクラウド環境に移行しました。 参加するエンティティ間でのストレージとデータ共有の間、悪意のあるエージェントはクラウド環境からアウトソースされたデータにアクセスすることができる。 悪意のあるエージェントは、意図的にデータを侵害するエンティティである。 アクセスされたこの情報は、誤用されたり、未承認の当事者に開示される可能性がある。 したがって、悪意のあるエージェントのデータ保護と予測は、適切に対処する必要がある要求のあるタスクとなっている。 この決定的かつ困難な問題に対処するため,本研究では,XGBoost機械学習分類アルゴリズムを用いた悪意エージェント識別に基づくデータセキュリティ(MAIDS)モデルを提案する。 提案モデルでは、オンラインデータ通信やトランザクションに関連する複数のセキュリティパラメータを探索し、計算する。 それに対応して、XGBoost分類器に基づく悪意エージェント予測(XC-MAP)ユニットを開発するために、セキュリティに焦点を当てた知識データベースを作成する。 データ漏洩後のみ悪意のあるエージェントを識別する既存のアプローチとは異なり、MAIDSは各データアクセスの適性を調べることによって、悪意のあるエージェントを積極的に識別する。 このようにして、このモデルは、エージェントの振る舞いを評価し、データを与える前に悪意のあるエージェントを予測することによってのみ、承認されたエージェントにデータを与えることによって、意図的および非意図的な違反から重要なデータを保護するための包括的なソリューションを提供する。

関連論文リスト

• Towards Data Governance of Frontier AI Models [0.0]
  私たちは、フロンティアAIモデルに対して、データが新たなガバナンス能力を実現する方法について検討する。 データは非リバルで、しばしば非排除可能で、容易に複製可能で、ますます合成可能になっている。 データサプライチェーンに沿ってキーアクターをターゲットにした一連のポリシー機構を提案する。
  論文  参考訳（メタデータ） (2024-12-05T02:37:51Z)
• Air Gap: Protecting Privacy-Conscious Conversational Agents [44.04662124191715]
  敵のサードパーティアプリがインタラクションのコンテキストを操作して,LDMベースのエージェントを騙して,そのタスクに関係のない個人情報を明らかにする,新たな脅威モデルを導入する。 本研究では,特定のタスクに必要なデータのみへのアクセスを制限することで,意図しないデータ漏洩を防止するために設計されたプライバシ意識エージェントであるAirGapAgentを紹介する。
  論文  参考訳（メタデータ） (2024-05-08T16:12:45Z)
• CaPS: Collaborative and Private Synthetic Data Generation from Distributed Sources [5.898893619901382]
  分散データホルダから合成データの協調的かつプライベートな生成のためのフレームワークを提案する。 我々は信頼されたアグリゲータをセキュアなマルチパーティ計算プロトコルに置き換え、差分プライバシー(DP)を介してプライバシを出力する。 MWEM+PGMおよびAIMの最先端選択測度生成アルゴリズムに対するアプローチの適用性とスケーラビリティを実証する。
  論文  参考訳（メタデータ） (2024-02-13T17:26:32Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• 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)
• Membership Inference Attacks against Synthetic Data through Overfitting Detection [84.02632160692995]
  我々は、攻撃者が基礎となるデータ分布についてある程度の知識を持っていると仮定する現実的なMIA設定について論じる。 生成モデルの局所的なオーバーフィッティングをターゲットとして,メンバシップを推論することを目的とした密度ベースMIAモデルであるDOMIASを提案する。
  論文  参考訳（メタデータ） (2023-02-24T11:27:39Z)
• Secure Multiparty Computation for Synthetic Data Generation from Distributed Data [7.370727048591523]
  関連データへのアクセスに関する法的および倫理的な制限は、健康、金融、教育といった重要な領域におけるデータ科学の研究を阻害する。 既存のアプローチでは、データ保持者は信頼されたキュレーターに生データを供給し、それを合成データ生成の燃料として利用する。 本稿では,データ保持者が暗号化されたデータのみを差分プライベートな合成データ生成のために共有する,最初のソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-13T20:09:17Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• A Data Quarantine Model to Secure Data in Edge Computing [0.0]
  エッジコンピューティングは、レイテンシに敏感で通信集約的なアプリケーションのためのアジャイルデータ処理プラットフォームを提供する。 データ整合性攻撃は一貫性のないデータにつながり、エッジデータ分析を邪魔する可能性がある。 本稿では,侵入者隔離によるデータ完全性攻撃を緩和するデータ隔離モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-15T11:04:48Z)
• Reinforcement Learning on Encrypted Data [58.39270571778521]
  本稿では,DQNエージェントが,離散的かつ連続的な状態空間を持つ環境でどのように動作するかを予備的,実験的に検討する。 その結果,非決定論的暗号が存在する場合でも,エージェントは依然として小さな状態空間で学習することができるが,より複雑な環境では性能が低下することがわかった。
  論文  参考訳（メタデータ） (2021-09-16T21:59:37Z)
• Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses [150.64470864162556]
  この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。 様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
  論文  参考訳（メタデータ） (2020-12-18T22:38:47Z)

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。