論文の概要: Trustworthy Artificial Intelligence for Cyber Threat Analysis

• arxiv url: http://arxiv.org/abs/2506.19052v1
• Date: Wed, 18 Jun 2025 15:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.354748
• Title: Trustworthy Artificial Intelligence for Cyber Threat Analysis
• Title（参考訳）: サイバー脅威分析のための信頼できる人工知能
• Authors: Shuangbao Paul Wang, Paul Mullin,
• Abstract要約: 我々は機械学習によるサイバー脅威検出・評価ツールを開発した。 教師なしと教師なしの2つのステージを使用して、AWSクラウド上のWebサーバから記録されたログデータを分析する。 結果は、アルゴリズムが高い信頼性でサイバー脅威を識別できることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence brings innovations into the society. However, bias and unethical exist in many algorithms that make the applications less trustworthy. Threats hunting algorithms based on machine learning have shown great advantage over classical methods. Reinforcement learning models are getting more accurate for identifying not only signature-based but also behavior-based threats. Quantum mechanics brings a new dimension in improving classification speed with exponential advantage. In this research, we developed a machine learning based cyber threat detection and assessment tool. It uses two stage, unsupervised and supervised learning, analyzing method on log data recorded from a web server on AWS cloud. The results show the algorithm has the ability to identify cyber threats with high confidence.
• Abstract（参考訳）: 人工知能は社会にイノベーションをもたらす。 しかし、多くのアルゴリズムにはバイアスと非倫理的があり、アプリケーションの信頼性を損なう。 機械学習に基づく脅威探索アルゴリズムは、古典的手法よりも大きな優位性を示している。 強化学習モデルは、署名に基づくだけでなく、行動に基づく脅威を特定するために、より正確になっています。 量子力学は指数的に有利な分類速度を改善するための新しい次元をもたらす。 本研究では,機械学習を用いたサイバー脅威検出・評価ツールを開発した。 教師なしと教師なしの2つのステージを使用して、AWSクラウド上のWebサーバから記録されたログデータを分析する。 その結果、アルゴリズムは高い信頼性でサイバー脅威を識別できることを示した。

関連論文リスト

• Towards Explainable and Lightweight AI for Real-Time Cyber Threat Hunting in Edge Networks [0.0]
  本研究では,エッジネットワークにおけるリアルタイムサイバー脅威検出のために設計された,説明可能な軽量AI(ELAI)フレームワークを紹介する。 我々の手法は、解釈可能な機械学習アルゴリズムと最適化された軽量ディープラーニング技術を統合し、透明性と計算効率の両立を保証する。 我々は、CICIDSやUNSW-NB15などのベンチマークサイバーセキュリティデータセットを用いてELAIを評価し、多様なサイバー攻撃シナリオでその性能を評価する。
  論文  参考訳（メタデータ） (2025-04-18T23:45:39Z)
• Towards more Practical Threat Models in Artificial Intelligence Security [66.67624011455423]
  最近の研究で、人工知能のセキュリティの研究と実践のギャップが特定されている。 我々は、AIセキュリティ研究で最も研究されている6つの攻撃の脅威モデルを再検討し、実際にAIの使用と一致させる。
  論文  参考訳（メタデータ） (2023-11-16T16:09:44Z)
• Backdoor Attack Detection in Computer Vision by Applying Matrix Factorization on the Weights of Deep Networks [6.44397009982949]
  本稿では,事前訓練したDNNの重みから特徴を抽出するバックドア検出手法を提案する。 他の検出技術と比較して、これはトレーニングデータを必要としないなど、多くのメリットがある。 提案手法は, 競合するアルゴリズムよりも効率性が高く, より正確であり, 深層学習とAIの安全な適用を確実にするのに役立つ。
  論文  参考訳（メタデータ） (2022-12-15T20:20:18Z)
• Proceedings of the Artificial Intelligence for Cyber Security (AICS) Workshop at AAAI 2022 [55.573187938617636]
  ワークショップは、サイバーセキュリティの問題へのAIの適用に焦点を当てる。 サイバーシステムは大量のデータを生成し、これを効果的に活用することは人間の能力を超えます。
  論文  参考訳（メタデータ） (2022-02-28T18:27:41Z)
• A Heterogeneous Graph Learning Model for Cyber-Attack Detection [4.559898668629277]
  サイバー攻撃は、ハッカーが標的とする情報システムに侵入する悪意のある試みである。 本稿では,証明データに基づく知的サイバー攻撃検出手法を提案する。 実験の結果,提案手法は他の学習ベース検出モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T16:03:39Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)
• 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)
• 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)
• NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion [0.3007949058551534]
  機械学習の台頭以前、攻撃を示唆するネットワーク異常は、巧妙なルールを用いて検出された。 ネットワーク異常に対する機械学習の進歩により、人間がサイバー防御システムをバイパスする方法を理解することは容易ではない。 本稿では, 分類器を構築し, ネットワークデータの逆例で訓練しても, 敵攻撃を利用でき, システムを破壊することができることを示す。
  論文  参考訳（メタデータ） (2020-02-20T01:54:45Z)
• Cyber Attack Detection thanks to Machine Learning Algorithms [0.0]
  本稿では、ネットワーク内の悪意のあるトラフィックを分類する能力を調べることによって、機械学習を実現可能なソリューションとして検討する。 提案手法は,共通ボットネットを含むNetFlowデータセットに対して,5種類の機械学習アルゴリズムを解析する。 ランダムフォレストは13のシナリオのうち8つで95%以上のボットネットを検出し、最も難しいデータセットでは55%以上を検知することに成功した。
  論文  参考訳（メタデータ） (2020-01-17T13:52:12Z)

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。