論文の概要: Understanding Malware Propagation Dynamics through Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2507.07143v1
• Date: Wed, 09 Jul 2025 04:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.142766
• Title: Understanding Malware Propagation Dynamics through Scientific Machine Learning
• Title（参考訳）: 科学機械学習によるマルウェアの伝播ダイナミクスの理解
• Authors: Karthik Pappu, Prathamesh Dinesh Joshi, Raj Abhijit Dandekar, Rajat Dandekar, Sreedath Panat,
• Abstract要約: Code Red wormのアウトブレイクデータを用いて、UDEアプローチは従来のベースラインとニューラルベースラインの両方と比較して、予測エラーを44%削減することを示した。 本稿では,学習したニューラルネットワークを明示的な数学的表現に変換するシンボリックリカバリ手法を提案する。 以上の結果から,ハイブリッド物理インフォームドモデルは純粋に解析的および純粋に神経学的アプローチよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.393499936476792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately modeling malware propagation is essential for designing effective cybersecurity defenses, particularly against adaptive threats that evolve in real time. While traditional epidemiological models and recent neural approaches offer useful foundations, they often fail to fully capture the nonlinear feedback mechanisms present in real-world networks. In this work, we apply scientific machine learning to malware modeling by evaluating three approaches: classical Ordinary Differential Equations (ODEs), Universal Differential Equations (UDEs), and Neural ODEs. Using data from the Code Red worm outbreak, we show that the UDE approach substantially reduces prediction error compared to both traditional and neural baselines by 44%, while preserving interpretability. We introduce a symbolic recovery method that transforms the learned neural feedback into explicit mathematical expressions, revealing suppression mechanisms such as network saturation, security response, and malware variant evolution. Our results demonstrate that hybrid physics-informed models can outperform both purely analytical and purely neural approaches, offering improved predictive accuracy and deeper insight into the dynamics of malware spread. These findings support the development of early warning systems, efficient outbreak response strategies, and targeted cyber defense interventions.
• Abstract（参考訳）: マルウェアの正確なモデリングは、特にリアルタイムで進化する適応的な脅威に対して、効果的なサイバーセキュリティ防衛を設計するために不可欠である。 従来の疫学モデルと最近のニューラルアプローチは有用な基礎を提供するが、実世界のネットワークに存在する非線形フィードバックメカニズムを完全に捉えることに失敗することが多い。 本研究では,古典的正規微分方程式(ODE),普遍微分方程式(UDE),ニューラルODE(ODE)の3つのアプローチを評価することにより,マルウェアモデリングに科学的機械学習を適用した。 Code Red wormのアウトブレイクデータを用いて、UDEアプローチは、解釈可能性を維持しながら、従来のベースラインとニューラルベースラインの両方と比較して、予測エラーを44%削減することを示した。 学習した神経フィードバックを明示的な数学的表現に変換するシンボリックリカバリ手法を導入し,ネットワーク飽和,セキュリティ応答,マルウェアの変種進化などの抑制機構を明らかにする。 その結果,ハイブリッド物理インフォームドモデルは純粋に解析的および純粋に神経的アプローチよりも優れており,予測精度が向上し,マルウェアの拡散のダイナミクスに対する深い洞察が得られた。 これらの知見は、早期警戒システムの開発、効率的なアウトブレイク対応戦略、標的となるサイバー防御介入を支援する。

関連論文リスト

• Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• A data augmentation strategy for deep neural networks with application to epidemic modelling [2.4537195774258556]
  本稿では,最近導入されたSusceptible-Infected-Recovered型モデルに対する,データ駆動型手法とディープニューラルネットワークの適用例を示す。 この結果から,データ駆動モデルに適したロバストなデータ拡張戦略により,フィードフォワードニューラルネットワークとオートレグレッシブネットワークの信頼性が向上することが示唆された。 このアプローチは非線形力学を扱う能力を高め、流行予測のためのスケーラブルでデータ駆動型ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-28T13:24:49Z)
• Feedback Favors the Generalization of Neural ODEs [24.342023073252395]
  本稿では、フィードバックループがニューラル常微分方程式(ニューラルODE)の学習潜時ダイナミクスを柔軟に補正可能であることを示す。 フィードバックニューラルネットワークは、新しい2自由度ニューラルネットワークであり、前のタスクで精度が失われることなく、目に見えないシナリオで堅牢なパフォーマンスを持つ。
  論文  参考訳（メタデータ） (2024-10-14T08:09:45Z)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
  本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。 我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。 本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-01T00:58:54Z)

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。