論文の概要: Towards Low-Latency and Adaptive Ransomware Detection Using Contrastive Learning
- arxiv url: http://arxiv.org/abs/2510.21957v1
- Date: Fri, 24 Oct 2025 18:33:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:14.712185
- Title: Towards Low-Latency and Adaptive Ransomware Detection Using Contrastive Learning
- Title（参考訳）: コントラスト学習を用いた低レイテンシ・適応ランサムウェア検出に向けて
- Authors: Zhixin Pan, Ziyu Shu, Amberbir Alemayoh,
- Abstract要約: ランサムウェアは、その急速な進化、早期発見の必要性、多様性の増大により、サイバーセキュリティにとって重要な脅威となっている。
既存のメソッドには,アドホックな機能依存,応答の遅れ,目に見えない変種への適応性の制限という,3つの大きな制限がある。
これらの課題に対処するために,自己教師付きコントラスト学習とニューラルアーキテクチャサーチ(NAS)を統合するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.338174941551702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ransomware has become a critical threat to cybersecurity due to its rapid evolution, the necessity for early detection, and growing diversity, posing significant challenges to traditional detection methods. While AI-based approaches had been proposed by prior works to assist ransomware detection, existing methods suffer from three major limitations, ad-hoc feature dependencies, delayed response, and limited adaptability to unseen variants. In this paper, we propose a framework that integrates self-supervised contrastive learning with neural architecture search (NAS) to address these challenges. Specifically, this paper offers three important contributions. (1) We design a contrastive learning framework that incorporates hardware performance counters (HPC) to analyze the runtime behavior of target ransomware. (2) We introduce a customized loss function that encourages early-stage detection of malicious activity, and significantly reduces the detection latency. (3) We deploy a neural architecture search (NAS) framework to automatically construct adaptive model architectures, allowing the detector to flexibly align with unseen ransomware variants. Experimental results show that our proposed method achieves significant improvements in both detection accuracy (up to 16.1%) and response time (up to 6x) compared to existing approaches while maintaining robustness under evasive attacks.
- Abstract（参考訳）: ランサムウェアは、その急速な進化、早期発見の必要性、多様性の増大により、サイバーセキュリティにとって重要な脅威となり、従来の検出方法に重大な課題を生じさせている。
AIベースのアプローチは、ランサムウェア検出を支援するための以前の作業によって提案されていたが、既存のメソッドには3つの大きな制限、アドホックな機能依存、遅延応答、目に見えない変種への適応性の制限があった。
本稿では,これらの課題に対処するために,自己教師付きコントラスト学習とニューラルアーキテクチャサーチ(NAS)を統合するフレームワークを提案する。
具体的には,3つの重要な貢献について述べる。
1)ハードウェア性能カウンタ(HPC)を組み込んだコントラスト学習フレームワークを設計し,ターゲットランサムウェアの動作解析を行う。
2)悪質な活動の早期検出を助長し,検出遅延を大幅に低減する,カスタマイズされた損失関数を導入する。
(3) 適応型モデルアーキテクチャを自動構築するニューラルアーキテクチャサーチ(NAS)フレームワークをデプロイし、検知器が目に見えないランサムウェアの変種と柔軟に整合できるようにする。
実験の結果,提案手法は既存の手法と比較して検出精度(最大16.1%)と応答時間(最大6倍)の両方を向上し,回避攻撃下での堅牢性を維持した。
関連論文リスト
- Unleashing the Power of Pre-trained Encoders for Universal Adversarial Attack Detection [21.03032944637112]
アドリアック攻撃は、現実世界のAIシステムにとって重要なセキュリティ脅威となる。
本稿では,大規模事前学習型視覚言語モデルCLIPに基づく,軽量な逆検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-01T05:21:45Z) - Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。
本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。
特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文 参考訳（メタデータ） (2025-03-21T06:12:06Z) - Decentralized Entropy-Based Ransomware Detection Using Autonomous Feature Resonance [0.0]
従来のランサムウェア検出手法の限界に対処するため,自律的特徴共鳴と呼ばれる新しい手法が導入された。
提案手法は, 検出精度97.3%, 偽陽性, 偽陰性率は1.8%, 偽陰性率は2.1%である。
論文 参考訳（メタデータ） (2025-02-14T00:26:10Z) - 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) - 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) - Towards Understanding the Adversarial Vulnerability of Skeleton-based
Action Recognition [133.35968094967626]
骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。
ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。
異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
論文 参考訳（メタデータ） (2020-05-14T17:12:52Z) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳（メタデータ） (2020-01-13T13:54:36Z)
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。