論文の概要: A Comprehensive Analysis of Adversarial Attacks against Spam Filters

• arxiv url: http://arxiv.org/abs/2505.03831v1
• Date: Sun, 04 May 2025 11:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.852108
• Title: A Comprehensive Analysis of Adversarial Attacks against Spam Filters
• Title（参考訳）: スパムフィルタに対する敵攻撃の包括的解析
• Authors: Esra Hotoğlu, Sevil Sen, Burcu Can,
• Abstract要約: 本研究では,現実のデータセットを用いた深層学習に基づくスパム検出システムに対する敵攻撃の影響について検討した。 スパム重みや注意重みを含む新たなスコアリング機能を導入し、攻撃効率を向上させる。
• 参考スコア（独自算出の注目度）: 3.5307531256684848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has revolutionized email filtering, which is critical to protect users from cyber threats such as spam, malware, and phishing. However, the increasing sophistication of adversarial attacks poses a significant challenge to the effectiveness of these filters. This study investigates the impact of adversarial attacks on deep learning-based spam detection systems using real-world datasets. Six prominent deep learning models are evaluated on these datasets, analyzing attacks at the word, character sentence, and AI-generated paragraph-levels. Novel scoring functions, including spam weights and attention weights, are introduced to improve attack effectiveness. This comprehensive analysis sheds light on the vulnerabilities of spam filters and contributes to efforts to improve their security against evolving adversarial threats.
• Abstract（参考訳）: ディープラーニングはメールフィルタリングに革命をもたらし、スパムやマルウェア、フィッシングなどのサイバー脅威からユーザーを守るために重要な役割を担っている。 しかし, 敵攻撃の高度化は, これらのフィルタの有効性にとって大きな課題となる。 本研究では,現実のデータセットを用いた深層学習に基づくスパム検出システムに対する敵攻撃の影響について検討した。 これらのデータセットを用いて6つの顕著なディープラーニングモデルを評価し、単語、文字文、AI生成段落レベルでの攻撃を分析する。 スパム重みや注意重みを含む新たなスコアリング機能を導入し、攻撃効率を向上させる。 この包括的分析はスパムフィルタの脆弱性に光を当て、敵の脅威の進化に対するセキュリティ向上に寄与する。

関連論文リスト

• Next-Generation Phishing: How LLM Agents Empower Cyber Attackers [10.067883724547182]
  フィッシングメールのエスカレートする脅威は、Large Language Models(LLMs)の台頭により、ますます洗練されつつある。 攻撃者はLSMを利用して、より説得力があり回避的なフィッシングメールを作成するため、現在のフィッシング防御のレジリエンスを評価することが不可欠である。 我々は、Gmail Spam Filter、Apache SpamAssassin、Proofpointなどの従来のフィッシング検出と、SVM、Logistic Regression、Naive Bayesといった機械学習モデルに関する包括的な評価を行います。 以上の結果から,全検知器にまたがるリフレッシュメールの検出精度は著しく低下し,現在のフィッシング防御における重大な弱点が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-11-21T06:20:29Z)
• ASETF: A Novel Method for Jailbreak Attack on LLMs through Translate Suffix Embeddings [58.82536530615557]
  本稿では, 連続的な逆接接尾辞埋め込みを一貫性のある, 理解可能なテキストに変換するために, ASETF (Adversarial Suffix Embedding Translation Framework) を提案する。 本手法は,逆接接尾辞の計算時間を著しく短縮し,既存の手法よりもはるかに優れた攻撃成功率を実現する。
  論文  参考訳（メタデータ） (2024-02-25T06:46:27Z)
• A Malware Classification Survey on Adversarial Attacks and Defences [0.0]
  ディープラーニングモデルはマルウェアの検出には有効だが、敵の攻撃に対して脆弱である。 このような攻撃は、検出に抵抗する悪意のあるファイルを生成し、重大なサイバーセキュリティリスクを生み出す。 近年の研究では、いくつかの敵対的攻撃と反応のアプローチが開発されている。
  論文  参考訳（メタデータ） (2023-12-15T09:25:48Z)
• A Comparative Study of Watering Hole Attack Detection Using Supervised Neural Network [0.0]
  本研究では、これらの攻撃を検知・防止するために、教師付きニューラルネットワークを用いた「水穴攻撃」として知られる悪質な戦術について検討する。 ニューラルネットワークは、そのような攻撃に関連するウェブサイトの行動とネットワークトラフィックのパターンを特定する。 予防に関して言えば、このモデルは95%の攻撃をうまく停止し、堅牢なユーザー保護を提供する。
  論文  参考訳（メタデータ） (2023-11-25T13:30:03Z)
• Application of BadNets in Spam Filters [1.5755923640031848]
  我々はスパムフィルタリングの分野でバックドア攻撃を設計する。 スパムフィルタで使用されるモデルの注意深い検討と評価の必要性を強調した。
  論文  参考訳（メタデータ） (2023-07-18T21:39:39Z)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• 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)
• Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text [219.15486286590016]
  本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。 その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
  論文  参考訳（メタデータ） (2021-10-10T17:19:37Z)
• Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
  本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。 サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
  論文  参考訳（メタデータ） (2020-07-05T18:22:40Z)
• Adversarial Deep Ensemble: Evasion Attacks and Defenses for Malware Detection [8.551227913472632]
  悪意のある機能を損なうことなく、マルウェアの例を妨害する新たな攻撃手法を提案する。 このことは、ディープニューラルネットワークのアンサンブルを強化するために、敵のトレーニングの新たなインスタンス化につながる。 2つの実用的なデータセットに対する26の異なる攻撃に対して,Androidマルウェア検出器を用いた防御評価を行った。
  論文  参考訳（メタデータ） (2020-06-30T05:56:33Z)

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。