論文の概要: Adversarial Defense in Cybersecurity: A Systematic Review of GANs for Threat Detection and Mitigation

• arxiv url: http://arxiv.org/abs/2509.20411v2
• Date: Tue, 30 Sep 2025 05:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 12:20:10.366234
• Title: Adversarial Defense in Cybersecurity: A Systematic Review of GANs for Threat Detection and Mitigation
• Title（参考訳）: サイバーセキュリティにおける敵防衛 : 脅威検出と軽減のためのGANの体系的レビュー
• Authors: Tharcisse Ndayipfukamiye, Jianguo Ding, Doreen Sebastian Sarwatt, Adamu Gaston Philipo, Huansheng Ning,
• Abstract要約: GAN(Generative Adversarial Networks)は、強力なアタックイネーブラーと有望な防御装置として機能する。 この調査は、GANベースのサイバーセキュリティにおける敵防衛を体系的にレビューする。 本稿では,防衛機能,GANアーキテクチャ,サイバーセキュリティドメイン,敵脅威モデルにまたがる4次元分類手法を提案する。
• 参考スコア（独自算出の注目度）: 8.920024578035386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based cybersecurity systems are highly vulnerable to adversarial attacks, while Generative Adversarial Networks (GANs) act as both powerful attack enablers and promising defenses. This survey systematically reviews GAN-based adversarial defenses in cybersecurity (2021--August 31, 2025), consolidating recent progress, identifying gaps, and outlining future directions. Using a PRISMA-compliant systematic literature review protocol, we searched five major digital libraries. From 829 initial records, 185 peer-reviewed studies were retained and synthesized through quantitative trend analysis and thematic taxonomy development. We introduce a four-dimensional taxonomy spanning defensive function, GAN architecture, cybersecurity domain, and adversarial threat model. GANs improve detection accuracy, robustness, and data utility across network intrusion detection, malware analysis, and IoT security. Notable advances include WGAN-GP for stable training, CGANs for targeted synthesis, and hybrid GAN models for improved resilience. Yet, persistent challenges remain such as instability in training, lack of standardized benchmarks, high computational cost, and limited explainability. GAN-based defenses demonstrate strong potential but require advances in stable architectures, benchmarking, transparency, and deployment. We propose a roadmap emphasizing hybrid models, unified evaluation, real-world integration, and defenses against emerging threats such as LLM-driven cyberattacks. This survey establishes the foundation for scalable, trustworthy, and adaptive GAN-powered defenses.
• Abstract（参考訳）: 機械学習ベースのサイバーセキュリティシステムは敵の攻撃に対して非常に脆弱であり、ジェネレーティブ・アドバイザリー・ネットワーク(GAN)は強力な攻撃イネーブルと有望な防御の両方として機能する。 この調査は、GANベースのサイバーセキュリティにおける敵防衛(2021年-2025年8月31日)を体系的にレビューし、最近の進歩を統合し、ギャップを特定し、今後の方向性を概説する。 PRISMA準拠の体系的文献レビュープロトコルを用いて,5つの主要なデジタルライブラリを検索した。 829年の初期記録から、185の査読付き研究が、定量的傾向分析と神学的分類学の発展を通じて維持され、合成された。 防衛機能, GANアーキテクチャ, サイバーセキュリティドメイン, 敵脅威モデルにまたがる4次元分類法を提案する。 GANは、ネットワーク侵入検出、マルウェア分析、IoTセキュリティを越えて、検出精度、堅牢性、データユーティリティを改善している。 注目すべき進歩としては、安定トレーニングのためのWGAN-GP、ターゲット合成のためのCGAN、レジリエンスを改善するためのハイブリッドGANモデルなどがある。 しかし、トレーニングの不安定性、標準化されたベンチマークの欠如、高い計算コスト、限定的な説明可能性など、永続的な課題が残っている。 GANベースの防衛は強力な可能性を示しているが、安定したアーキテクチャ、ベンチマーク、透明性、デプロイメントの進歩が必要である。 本稿では,ハイブリッドモデル,統合評価,実世界統合,LSMによるサイバー攻撃などの新興脅威に対する防御などを強調するロードマップを提案する。 この調査は、スケーラブルで信頼性があり、かつ適応的なGANによる防衛の基礎を確立します。

関連論文リスト

• Neuro-Symbolic AI for Cybersecurity: State of the Art, Challenges, and Opportunities [13.175694396580184]
  Neuro-Symbolic (NeSy) AIが登場し、サイバーセキュリティAIに革命をもたらす可能性がある。 我々は、2019年から2025年7月までの127の出版物を分析して、この分野を体系的に特徴づけた。 因果推論統合は最も変革的な進歩であり、相関に基づくアプローチを超えて積極的に防御できることを示す。
  論文  参考訳（メタデータ） (2025-09-08T17:33:59Z)
• Beyond Vulnerabilities: A Survey of Adversarial Attacks as Both Threats and Defenses in Computer Vision Systems [5.787505062263962]
  コンピュータビジョンシステムに対する敵対的攻撃は、ニューラルネットワークの堅牢性とセキュリティに関する基本的な前提に挑戦する重要な研究領域として浮上している。 この包括的調査は、敵のテクニックの進化の状況を調べ、その2つの性質を高度なセキュリティ脅威と貴重な防御ツールの両方として明らかにしている。
  論文  参考訳（メタデータ） (2025-08-03T17:02:05Z)
• Co-evolutionary Dynamics of Attack and Defence in Cybersecurity [7.949437760740007]
  本研究では,サイバー空間における攻撃と防御の進化力学を研究するために,進化ゲーム理論の枠組みを用いる。 高い防御強度を持つシステムは最小攻撃周波数で安定を示すのに対し、低防御環境は不安定であり、攻撃に対して脆弱である。 分析の結果,EGTに基づく適応型サイバーセキュリティ戦略は,資源割り当てを改善し,システムのレジリエンスを高め,サイバー攻撃の全体的なリスクを低減することが示唆された。
  論文  参考訳（メタデータ） (2025-05-25T22:11:24Z)
• Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends [20.469263896950437]
  我々は,CyberEdgeネットワークにおけるレジリエント・フェデレート・ラーニング(ResFL)の最新技術について検討する。 我々は,集約的推論と機能指向型セキュリティ機構を用いた共同トレーニングに重点を置いている。 これらの進歩は、超低レイテンシ、人工知能(AI)駆動のネットワーク管理、敵攻撃に対するレジリエンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-04-01T23:06:45Z)
• Safety at Scale: A Comprehensive Survey of Large Model and Agent Safety [296.5392512998251]
  我々は、敵攻撃、データ中毒、バックドア攻撃、ジェイルブレイクとプロンプトインジェクション攻撃、エネルギー遅延攻撃、データとモデル抽出攻撃、出現するエージェント固有の脅威を含む、大規模なモデルに対する安全脅威の包括的分類を提示する。 我々は、大規模なモデル安全性におけるオープンな課題を特定し、議論し、包括的な安全性評価、スケーラブルで効果的な防御機構、持続可能なデータプラクティスの必要性を強調します。
  論文  参考訳（メタデータ） (2025-02-02T05:14:22Z)
• A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective, Direction and Open Research Scopes [1.3631461603291568]
  GAN(Generative Adversarial Networks)は、常に変化するセキュリティ問題に対処する強力なソリューションとして登場した。 本研究は, サイバーセキュリティの防衛強化において, GANを的確に捉えた深層学習モデルの重要性について検討した。 焦点は、これらのドメインにおけるサイバーセキュリティの防御を強化するために、GANがいかに影響力のあるツールになり得るかを調べることである。
  論文  参考訳（メタデータ） (2024-07-11T19:51:48Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Zero Trust Framework for Realization and Defense Against Generative AI Attacks in Power Grid [62.91192307098067]
  本稿では電力グリッドサプライチェーン(PGSC)のための新しいゼロ信頼フレームワークを提案する。 潜在的なGenAIによる攻撃ベクターの早期発見、テールリスクに基づく安定性の評価、そしてそのような脅威の緩和を容易にする。 実験の結果,ゼロ信頼フレームワークは攻撃ベクトル生成に95.7%の精度,95%安定PGSCに9.61%のリスク尺度,GenAIによる攻撃に対する防御に99%の信頼性が得られた。
  論文  参考訳（メタデータ） (2024-03-11T02:47:21Z)

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。