論文の概要: Hierarchical Polysemantic Feature Embedding for Autonomous Ransomware Detection

• arxiv url: http://arxiv.org/abs/2502.06043v2
• Date: Tue, 25 Mar 2025 13:17:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 20:12:50.338179
• Title: Hierarchical Polysemantic Feature Embedding for Autonomous Ransomware Detection
• Title（参考訳）: 自律ランサムウェア検出のための階層型多面的特徴埋め込み
• Authors: Sergei Nikitka, Sebastian Harringford, Charlotte Montgomery, Algernon Braithwaite, Matthew Kowalski,
• Abstract要約: ランサムウェアの進化には、より洗練された検出技術の開発が必要である。 提案するフレームワークでは,ランサムウェア関連機能を非ユークリッド空間に埋め込んでいる。 実験により、このフレームワークは従来の機械学習ベースのモデルよりも一貫して優れていた。 提案手法は,検出性能と処理オーバーヘッドのバランスを保ち,現実のサイバーセキュリティアプリケーションの候補となる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The evolution of ransomware requires the development of more sophisticated detection methodologies capable of identifying malicious behaviors beyond traditional signature-based and heuristic techniques. The proposed Hierarchical Polysemantic Feature Embedding framework introduces a structured approach to ransomware detection through hyperbolic feature representations that capture hierarchical dependencies within executable behaviors. By embedding ransomware-relevant features into a non-Euclidean space, the framework maintains a well-defined decision boundary, ensuring improved generalization across previously unseen ransomware variants. Experimental evaluations demonstrated that the framework consistently outperformed conventional machine learning-based models, achieving higher detection accuracy while maintaining low false positive rates. The structured clustering mechanism employed within the hyperbolic space enabled robust classification even in the presence of obfuscation techniques, delayed execution strategies, and polymorphic transformations. Comparative analysis highlighted the limitations of existing detection frameworks, particularly in their inability to dynamically adapt to evolving ransomware tactics. Computational efficiency assessments indicated that the proposed method maintained a balance between detection performance and processing overhead, making it a viable candidate for real-world cybersecurity applications. The ability to detect emerging ransomware families without requiring extensive retraining demonstrated the adaptability of hierarchical embeddings in security analytics.
• Abstract（参考訳）: ランサムウェアの進化は、従来のシグネチャベースやヒューリスティックなテクニックを超えて悪意のある振る舞いを識別できる、より洗練された検出方法の開発を必要とする。 提案する階層的多面的特徴埋め込みフレームワークは,実行可能動作内の階層的依存関係をキャプチャする双曲的特徴表現によるランサムウェア検出のための構造化アプローチを導入する。 ランサムウェア関連機能を非ユークリッド空間に埋め込むことで、フレームワークは明確に定義された決定境界を維持し、以前は目に見えないランサムウェアの亜種間の一般化を確実にする。 実験により、このフレームワークは従来の機械学習ベースのモデルより一貫して優れており、偽陽性率を低く保ちながら高い検出精度を実現していることが示された。 双曲空間内で用いられる構造化クラスタリング機構により,難解化技術,遅延実行戦略,多形変換の存在下においてもロバストな分類が可能となった。 比較分析は、既存の検出フレームワークの制限、特にランサムウェアの進化に動的に適応できない点を強調した。 計算効率評価の結果,提案手法は検出性能と処理オーバーヘッドのバランスを保ち,現実のサイバーセキュリティアプリケーションの候補となることが示唆された。 大規模な再トレーニングを必要とせずにランサムウェアファミリーを検出する能力は、セキュリティ分析における階層的な埋め込みの適応性を示した。

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)
• Intelligent Code Embedding Framework for High-Precision Ransomware Detection via Multimodal Execution Path Analysis [0.0]
  マルチモーダル実行経路解析によりランサムウェアの活動を特定する新しいフレームワークを開発した。 高次元の埋め込みと動的導出機構を統合し、多様な攻撃変異体にわたる行動パターンをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-27T07:51:51Z)
• 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)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• 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)
• Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
  モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。 本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。 本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-13T13:54:24Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• A general framework for defining and optimizing robustness [74.67016173858497]
  分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。 我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。 我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-19T13:24:20Z)
• Towards Understanding the Adversarial Vulnerability of Skeleton-based Action Recognition [133.35968094967626]
  骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。 ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。 異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
  論文  参考訳（メタデータ） (2020-05-14T17:12:52Z)

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。