論文の概要: An In-Depth Analysis of Cyber Attacks in Secured Platforms
- arxiv url: http://arxiv.org/abs/2510.25470v1
- Date: Wed, 29 Oct 2025 12:43:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.504439
- Title: An In-Depth Analysis of Cyber Attacks in Secured Platforms
- Title（参考訳）: セキュアなプラットフォームにおけるサイバー攻撃の深さ解析
- Authors: Parick Ozoh, John K Omoniyi, Bukola Ibitoye,
- Abstract要約: 本研究は、携帯電話の悪意のある脅威を検出するために機械学習技術を用いている。
機械学習を用いて悪意のある脅威を検出する技術の開発が重要視されている。
本稿では、これらの課題に対処するための、悪意のある脅威と方法に関する現在の研究の総合的な比較研究について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an increase in global malware threats. To address this, an encryption-type ransomware has been introduced on the Android operating system. The challenges associated with malicious threats in phone use have become a pressing issue in mobile communication, disrupting user experiences and posing significant privacy threats. This study surveys commonly used machine learning techniques for detecting malicious threats in phones and examines their performance. The majority of past research focuses on customer feedback and reviews, with concerns that people might create false reviews to promote or devalue products and services for personal gain. Hence, the development of techniques for detecting malicious threats using machine learning has been a key focus. This paper presents a comprehensive comparative study of current research on the issue of malicious threats and methods for tackling these challenges. Nevertheless, a huge amount of information is required by these methods, presenting a challenge for developing robust, specialized automated anti-malware systems. This research describes the Android Applications dataset, and the accuracy of the techniques is measured using the accuracy levels of the metrics employed in this study.
- Abstract（参考訳）: グローバルなマルウェアの脅威が増加している。
これを解決するために、Androidオペレーティングシステムに暗号化型ランサムウェアが導入された。
携帯電話使用における悪意のある脅威に関連する課題は、モバイルコミュニケーションにおけるプレッシャーとなり、ユーザー体験を混乱させ、重要なプライバシー上の脅威を生じさせている。
本研究は、携帯電話の悪意のある脅威を検知し、その性能を調べるために、一般的な機械学習技術について調査する。
過去の研究の大部分は、顧客からのフィードバックとレビューに焦点を合わせており、人々は個人的利益のために製品やサービスを宣伝または評価するために誤ったレビューを作成するかもしれないと懸念している。
したがって、機械学習を用いて悪意のある脅威を検出する技術の開発が重要視されている。
本稿では、これらの課題に対処するための、悪意のある脅威と方法に関する現在の研究の包括的比較研究について述べる。
それでもこれらの手法には膨大な量の情報が必要であり、堅牢で専門化されたアンチマルウェアシステムを開発する上での課題が提示されている。
本研究は,Android Applicationsデータセットについて述べるとともに,その精度を,本研究で採用したメトリクスの精度レベルを用いて測定する。
関連論文リスト
- Predicting Vulnerability to Malware Using Machine Learning Models: A Study on Microsoft Windows Machines [0.0]
本研究では機械学習(ML)技術を活用した効果的なマルウェア検出戦略の必要性に対処する。
本研究の目的は、個々のマシンの特定の状況に基づいて、マルウェアの脆弱性を正確に予測する高度なMLモデルを開発することである。
論文 参考訳（メタデータ） (2025-01-05T10:04:58Z) - A Multidisciplinary Approach to Telegram Data Analysis [0.0]
本稿では,サイバー脅威に関する早期警戒情報を得るために,Telegramのデータ分析のための多分野的アプローチを提案する。
ニューラルネットワークアーキテクチャと従来の機械学習アルゴリズムを組み合わせています。
我々は、サイバー脅威に対する早期警告システムを強化し、潜在的なセキュリティ侵害に対するより積極的な対応を可能にすることを目指している。
論文 参考訳（メタデータ） (2024-12-29T09:10:52Z) - 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) - Graph Mining for Cybersecurity: A Survey [61.505995908021525]
マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。
従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。
グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
論文 参考訳（メタデータ） (2023-04-02T08:43:03Z) - Adversarial Patterns: Building Robust Android Malware Classifiers [0.9208007322096533]
サイバーセキュリティの分野では、機械学習モデルがマルウェア検出において大幅に改善されている。
構造化されていないデータから複雑なパターンを理解する能力があるにもかかわらず、これらのモデルは敵攻撃の影響を受けやすい。
本稿では,Androidマルウェア分類器の文脈における敵機械学習の包括的レビューを行う。
論文 参考訳（メタデータ） (2022-03-04T03:47:08Z) - Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks,
and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。
様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文 参考訳（メタデータ） (2020-12-18T22:38:47Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳（メタデータ） (2020-10-19T13:09:31Z) - 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) - Deep Learning for Insider Threat Detection: Review, Challenges and
Opportunities [22.976960488191505]
高度なディープラーニング技術は、複雑なデータからエンドツーエンドモデルを学ぶための新しいパラダイムを提供する。
既存の研究では、従来の機械学習アルゴリズムと比較して、ディープラーニングモデルはインサイダー脅威検出のパフォーマンスを向上させることが示されている。
インサイダー脅威検出タスクをさらに進めるためのディープラーニングの適用は、ラベル付きデータの欠如やアダプティブアタックなど、いくつかの制限に直面している。
論文 参考訳（メタデータ） (2020-05-25T22:48:01Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳（メタデータ） (2020-01-27T11:21:05Z)
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。