論文の概要: Hierarchical Manifold Projection for Ransomware Detection: A Novel Geometric Approach to Identifying Malicious Encryption Patterns

• arxiv url: http://arxiv.org/abs/2502.08013v2
• Date: Tue, 25 Mar 2025 12:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 20:12:49.725957
• Title: Hierarchical Manifold Projection for Ransomware Detection: A Novel Geometric Approach to Identifying Malicious Encryption Patterns
• Title（参考訳）: ランサムウェア検出のための階層的マニフォールド投影:不正暗号化パターンの同定のための新しい幾何学的アプローチ
• Authors: Frederick Pembroke, Eleanor Featherstonehaugh, Sebastian Wetherington, Harriet Fitzgerald, Maximilian Featherington, Peter Idliman,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Encryption-based cyber threats continue to evolve, employing increasingly sophisticated techniques to bypass traditional detection mechanisms. Many existing classification strategies depend on static rule sets, signature-based matching, or machine learning models that require extensive labeled datasets, making them ineffective against emerging ransomware families that exhibit polymorphic and adversarial behaviors. A novel classification framework structured through hierarchical manifold projection introduces a mathematical approach to detecting malicious encryption workflows, preserving geometric consistencies that differentiate ransomware-induced modifications from benign cryptographic operations. The proposed methodology transforms encryption sequences into structured manifold embeddings, ensuring classification robustness through non-Euclidean feature separability rather than reliance on static indicators. Generalization capabilities remain stable across diverse ransomware variants, as hierarchical decomposition techniques capture multi-scale encryption characteristics while maintaining resilience against code obfuscation and execution flow modifications. Empirical analysis demonstrates that detection accuracy remains high even when encryption key variability, delayed execution tactics, or API call obfuscation strategies are introduced, reinforcing the reliability of manifold-based classification. Real-time scalability assessments confirm that the proposed approach maintains computational efficiency across increasing dataset volumes, validating its applicability to large-scale threat detection scenarios.
• Abstract（参考訳）: 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。 既存の多くの分類戦略は、静的ルールセット、シグネチャベースのマッチング、あるいは広範なラベル付きデータセットを必要とする機械学習モデルに依存しており、ポリモルフィックおよび敵対的な振る舞いを示す新興ランサムウェアファミリーに対して効果がない。 階層的多様体プロジェクションによって構築された新しい分類フレームワークは、悪質な暗号化ワークフローを検出する数学的アプローチを導入し、ランサムウェアによって引き起こされる変更と良質な暗号操作を区別する幾何学的成分を保存する。 提案手法は,静的な指標に依存するのではなく,非ユークリッド特徴分離性を通じて,暗号化シーケンスを構造化多様体の埋め込みに変換する。 階層的分解技術は、コードの難読化や実行フロー修正に対するレジリエンスを維持しながら、マルチスケールの暗号化特性をキャプチャする。 経験的分析により、暗号鍵の可変性、遅延実行戦術、API呼び出し難読化戦略を導入しても、検出精度は高いままであり、多様体に基づく分類の信頼性を高めることが示されている。 リアルタイムのスケーラビリティ評価では、提案手法がデータセットボリュームの増大にまたがる計算効率を維持し、大規模な脅威検出シナリオへの適用性を検証する。

関連論文リスト

• Hierarchical Polysemantic Feature Embedding for Autonomous Ransomware Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-09T21:46:36Z)
• 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)
• Semantic Entanglement-Based Ransomware Detection via Probabilistic Latent Encryption Mapping [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-04T21:27:58Z)
• 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)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• 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)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• 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)

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。