論文の概要: Semantic Entanglement-Based Ransomware Detection via Probabilistic Latent Encryption Mapping

• arxiv url: http://arxiv.org/abs/2502.02730v2
• Date: Tue, 25 Mar 2025 13:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 20:12:51.792954
• Title: Semantic Entanglement-Based Ransomware Detection via Probabilistic Latent Encryption Mapping
• Title（参考訳）: 確率的潜時暗号マッピングによる意味エンタングルメントに基づくランサムウェア検出
• Authors: Mohammad Eisa, Quentin Yardley, Rafael Witherspoon, Harriet Pendlebury, Clement Rutherford,
• Abstract要約: Probabilistic Latent Encryption Mapping(英語版)は、エントロピー偏差と実行トレースにおける確率的依存関係の統計的表現による暗号化の振る舞いをモデル化する。 評価の結果、エントロピー駆動型分類は、様々なランサムウェアファミリーや暗号化手法で高い検出精度を維持しつつ、偽陽性率を低減することが示されている。 静的な攻撃シグネチャを必要とせずに、暗号化によって引き起こされる逸脱を体系的に推論する能力は、敵の回避技術に対する検出を強化する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Encryption-based attacks have introduced significant challenges for detection mechanisms that rely on predefined signatures, heuristic indicators, or static rule-based classifications. Probabilistic Latent Encryption Mapping presents an alternative detection framework that models ransomware-induced encryption behaviors through statistical representations of entropy deviations and probabilistic dependencies in execution traces. Unlike conventional approaches that depend on explicit bytecode analysis or predefined cryptographic function call monitoring, probabilistic inference techniques classify encryption anomalies based on their underlying statistical characteristics, ensuring greater adaptability to polymorphic attack strategies. Evaluations demonstrate that entropy-driven classification reduces false positive rates while maintaining high detection accuracy across diverse ransomware families and encryption methodologies. Experimental results further highlight the framework's ability to differentiate between benign encryption workflows and adversarial cryptographic manipulations, ensuring that classification performance remains effective across cloud-based and localized execution environments. Benchmark comparisons illustrate that probabilistic modeling exhibits advantages over heuristic and machine learning-based detection approaches, particularly in handling previously unseen encryption techniques and adversarial obfuscation strategies. Computational efficiency analysis confirms that detection latency remains within operational feasibility constraints, reinforcing the viability of probabilistic encryption classification for real-time security infrastructures. The ability to systematically infer encryption-induced deviations without requiring static attack signatures strengthens detection robustness against adversarial evasion techniques.
• Abstract（参考訳）: 暗号化ベースの攻撃は、事前に定義されたシグネチャ、ヒューリスティックインジケータ、静的ルールベースの分類に依存する検出メカニズムに重大な課題をもたらした。 Probabilistic Latent Encryption Mappingは、エントロピー偏差の統計的表現と実行トレースの確率的依存関係を通じてランサムウェアによる暗号化動作をモデル化する、別の検出フレームワークを提供する。 明示的なバイトコード分析や事前定義された暗号関数呼び出しの監視に依存する従来の手法とは異なり、確率的推論手法は、その基盤となる統計的特性に基づいて暗号化異常を分類し、多形攻撃戦略への適応性を高める。 評価の結果、エントロピー駆動型分類は、様々なランサムウェアファミリーや暗号化手法で高い検出精度を維持しつつ、偽陽性率を低減することが示されている。 実験結果は、良質な暗号化ワークフローと敵対的な暗号操作を区別するフレームワークの能力をさらに強調し、クラウドベースおよびローカライズされた実行環境において、分類性能が有効であることを保証する。 ベンチマーク比較では、確率的モデリングはヒューリスティックや機械学習に基づく検出アプローチよりも利点があり、特にこれまで目に見えない暗号化技術や敵の難読化戦略に対処している。 計算効率分析により、検出レイテンシが運用上の実行可能性制約内に留まり、リアルタイムセキュリティインフラストラクチャの確率論的暗号化分類が実現可能であることが確認される。 静的な攻撃シグネチャを必要とせずに、暗号化によって引き起こされる逸脱を体系的に推論する能力は、敵の回避技術に対する検出堅牢性を強化する。

関連論文リスト

• Hierarchical Entropy Disruption for Ransomware Detection: A Computationally-Driven Framework [0.0]
  エントロピー変動のモニタリングは、不正なデータ修正を識別するための代替アプローチを提供する。 階層的エントロピー破壊を利用したフレームワークを導入し,エントロピー分布の偏差を解析した。 複数のランサムウェアにまたがるフレームワークの評価は、高い検出精度を達成する能力を示した。
  論文  参考訳（メタデータ） (2025-02-12T23:29:06Z)
• Hierarchical Manifold Projection for Ransomware Detection: A Novel Geometric Approach to Identifying Malicious Encryption Patterns [0.0]
  暗号化ベースのサイバー脅威は進化を続けており、従来の検出メカニズムをバイパスする技術がますます高度化している。 階層的多様体射影によって構成された新しい分類フレームワークは、悪意のある暗号化を検出する数学的アプローチを導入する。 提案手法は,暗号シーケンスを構造化多様体の埋め込みに変換し,非ユークリッド特徴分離性による分類ロバスト性を確保する。
  論文  参考訳（メタデータ） (2025-02-11T23:20:58Z)
• Neural Encrypted State Transduction for Ransomware Classification: A Novel Approach Using Cryptographic Flow Residuals [0.0]
  Neural Encrypted State Transduction (NEST) に基づくアプローチを導入し、暗号フローの残差を分析する。 NESTは状態遷移を動的にマップし、復号された実行トレースに直接アクセスすることなく、高信頼の分類を可能にする。
  論文  参考訳（メタデータ） (2025-02-07T21:26:51Z)
• Hierarchical Cryptographic Signature Mapping for Ransomware Classification: A Structural Decomposition Approach [0.0]
  構造暗号特性を分析するために設計された階層型分類フレームワークは、悪意のある暗号化を識別するための新しいアプローチを提供する。 本研究は,暗号的特徴マッピングによって分類精度が向上することを示す。 階層構造解析は、さらに法医学的な調査を強化し、セキュリティアナリストが暗号を解読して攻撃源を追跡できるようにする。
  論文  参考訳（メタデータ） (2025-01-31T13:23:51Z)
• Hierarchical Pattern Decryption Methodology for Ransomware Detection Using Probabilistic Cryptographic Footprints [0.0]
  このフレームワークは、高度なクラスタリングアルゴリズムと機械学習を組み合わせて、ランサムウェアによる異常を分離する。 偽陽性率を低く保ちながら、悪意のある暗号化操作と良心的な活動とを効果的に区別する。 リアルタイム異常評価の導入により、ランサムウェア検出における致命的なレイテンシ問題に対処し、迅速な応答能力が保証される。
  論文  参考訳（メタデータ） (2025-01-25T05:26:17Z)
• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Token-Level Adversarial Prompt Detection Based on Perplexity Measures and Contextual Information [67.78183175605761]
  大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。 この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。 トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:17:21Z)
• How adversarial attacks can disrupt seemingly stable accurate classifiers [76.95145661711514]
  敵攻撃は、入力データに不連続な修正を加えることで、非正確な学習システムの出力を劇的に変化させる。 ここでは,これは高次元入力データを扱う分類器の基本的特徴であると考えられる。 実用システムで観測される重要な振る舞いを高い確率で発生させる、単純で汎用的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-09-07T12:02:00Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Learning to Separate Clusters of Adversarial Representations for Robust Adversarial Detection [50.03939695025513]
  本稿では,最近導入された非破壊的特徴を動機とした新しい確率的対向検出器を提案する。 本稿では,非ロバスト特徴を逆例の共通性と考え,その性質に対応する表現空間におけるクラスターの探索が可能であることを推定する。 このアイデアは、別のクラスタ内の逆表現の確率推定分布を導出し、その分布を確率に基づく逆検出器として活用する。
  論文  参考訳（メタデータ） (2020-12-07T07:21:18Z)

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。