論文の概要: Hierarchical Entropy Disruption for Ransomware Detection: A Computationally-Driven Framework

• arxiv url: http://arxiv.org/abs/2502.08843v1
• Date: Wed, 12 Feb 2025 23:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:47:05.212535
• Title: Hierarchical Entropy Disruption for Ransomware Detection: A Computationally-Driven Framework
• Title（参考訳）: ランサムウェア検出のための階層的エントロピー乱れ:計算駆動型フレームワーク
• Authors: Hayden Srynn, Gilbert Pomeroy, Florence Lytton, Godfrey Ashcombe, Valentine Harcourt, Duncan Pettigrew,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The rapid evolution of encryption-based threats has rendered conventional detection mechanisms increasingly ineffective against sophisticated attack strategies. Monitoring entropy variations across hierarchical system levels offers an alternative approach to identifying unauthorized data modifications without relying on static signatures. A framework leveraging hierarchical entropy disruption was introduced to analyze deviations in entropy distributions, capturing behavioral anomalies indicative of malicious encryption operations. Evaluating the framework across multiple ransomware variants demonstrated its capability to achieve high detection accuracy while maintaining minimal computational overhead. Entropy distributions across different system directories revealed that encryption activities predominantly targeted user-accessible files, aligning with observed attacker strategies. Detection latency analysis indicated that early-stage identification was feasible, mitigating potential data loss before critical system impact occurred. The framework's ability to operate efficiently in real-time environments was validated through an assessment of resource utilization, confirming a balanced trade-off between detection precision and computational efficiency. Comparative benchmarking against established detection methods highlighted the limitations of conventional approaches in identifying novel ransomware variants, whereas entropy-based anomaly detection provided resilience against obfuscation techniques.
• Abstract（参考訳）: 暗号ベースの脅威の急速な進化により、従来の検出機構は高度な攻撃戦略に対してますます非効率になっている。 階層的なシステムレベルでのエントロピー変動の監視は、静的シグネチャに頼ることなく、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分析し、悪意のある暗号化操作を示す行動異常をキャプチャした。 複数のランサムウェアにまたがるフレームワークを評価することで、計算オーバーヘッドを最小限に抑えつつ高い検出精度を達成できることを示した。 異なるシステムディレクトリ間のエントロピー分布は、暗号化アクティビティが主にユーザアクセス可能なファイルをターゲットにしており、観察された攻撃戦略と一致していることを示した。 検出遅延解析により,早期同定が可能であり,システムに重大な影響が生じる前に,潜在的なデータ損失を軽減できた。 このフレームワークのリアルタイム環境での効率的な運用能力は、資源利用の評価を通じて検証され、検出精度と計算効率のバランスの取れたトレードオフを確認した。 確立された検出方法に対する比較ベンチマークでは、新しいランサムウェアの変種を特定する従来のアプローチの限界が強調され、一方エントロピーベースの異常検出は難読化技術に対するレジリエンスをもたらした。

関連論文リスト

• A Computational Model for Ransomware Detection Using Cross-Domain Entropy Signatures [0.0]
  マルチドメインシステムのバリエーションを分析するために,エントロピーに基づく計算フレームワークを導入した。 良性およびランサムウェア誘発のエントロピーシフトを区別する検出法を開発した。
  論文  参考訳（メタデータ） (2025-02-15T07:50:55Z)
• Decentralized Entropy-Driven Ransomware Detection Using Autonomous Neural Graph Embeddings [0.0]
  このフレームワークはノードの分散ネットワークで動作し、単一障害点を排除し、ターゲット攻撃に対するレジリエンスを強化する。 グラフベースのモデリングと機械学習技術の統合により、このフレームワークは複雑なシステムインタラクションをキャプチャできる。 ケーススタディでは、実世界のシナリオでの有効性を検証するとともに、ランサムウェア攻撃を開始後数分で検出し軽減する能力を示している。
  論文  参考訳（メタデータ） (2025-02-11T11:59:10Z)
• 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)
• Hierarchical Entropic Diffusion for Ransomware Detection: A Probabilistic Approach to Behavioral Anomaly Isolation [0.0]
  本稿では,構造的エントロピーに基づく異常分類機構を提案する。 エントロピーの進化の変動を追跡し、良質な暗号プロセスと不正な暗号化の試みを区別する。 さまざまなランサムウェアファミリーにまたがる高い分類精度を維持し、従来のベースとシグネチャ駆動のアプローチより優れている。
  論文  参考訳（メタデータ） (2025-02-06T08:55:11Z)
• 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)
• 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)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• 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)
• 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)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。