論文の概要: A Modular Framework for Rapidly Building Intrusion Predictors

• arxiv url: http://arxiv.org/abs/2511.23000v1
• Date: Fri, 28 Nov 2025 09:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.835865
• Title: A Modular Framework for Rapidly Building Intrusion Predictors
• Title（参考訳）: 高速な侵入予測器構築のためのモジュールフレームワーク
• Authors: Xiaoxuan Wang, Rolf Stadler,
• Abstract要約: 統計的学習手法を用いたITシステムにおける自動侵入予測について検討する。 再利用可能なコンポーネントからオンライン攻撃予測器を迅速に組み立てるためのモジュラー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）: 9.655823411527829
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study automated intrusion prediction in an IT system using statistical learning methods. The focus is on developing online attack predictors that detect attacks in real time and identify the current stage of the attack. While such predictors have been proposed in the recent literature, these works typically rely on constructing a monolithic predictor tailored to a specific attack type and scenario. Given that hundreds of attack types are cataloged in the MITRE framework, training a separate monolithic predictor for each of them is infeasible. In this paper, we propose a modular framework for rapidly assembling online attack predictors from reusable components. The modular nature of a predictor facilitates controlling key metrics like timeliness and accuracy of prediction, as well as tuning the trade-off between them. Using public datasets for training and evaluation, we provide many examples of modular predictors and show how an effective predictor can be dynamically assembled during training from a network of modular components.
• Abstract（参考訳）: 統計的学習手法を用いたITシステムにおける自動侵入予測について検討する。 焦点は、リアルタイムで攻撃を検出し、攻撃の現在の段階を特定するオンラインアタック予測器の開発である。 最近の文献ではそのような予測器が提案されているが、これらの研究は通常、特定の攻撃タイプとシナリオに合わせたモノリシックな予測器の構築に依存している。 MITREフレームワークで数百の攻撃タイプがカタログ化されていることを考えると、それぞれに独立したモノリシックな予測器をトレーニングすることは不可能である。 本稿では、再利用可能なコンポーネントからオンライン攻撃予測器を迅速に組み立てるためのモジュラーフレームワークを提案する。 予測器のモジュラーの性質は、タイムラインや予測の精度といった重要なメトリクスの制御を容易にし、それらの間のトレードオフを調整するのに役立つ。 トレーニングと評価にパブリックデータセットを使用すると、モジュラー予測器の多くの例を提供し、モジュラーコンポーネントのネットワークからのトレーニング中に効果的な予測器を動的に組み立てる方法を示す。

関連論文リスト

• Privacy Risks in Time Series Forecasting: User- and Record-Level Membership Inference [2.5510639595356595]
  時系列予測のための2つの新しいメンバシップ推論攻撃を導入する。 我々はこれらの手法を、分類設定による他の主要な攻撃の適応バージョンに対してベンチマークする。 以上の結果から,予測モデルには脆弱性があり,ユーザレベルの攻撃が検出に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-04T12:43:45Z)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• Evasion Attacks Against Bayesian Predictive Models [1.8570591025615457]
  本稿では,このようなモデルに対する最適回避攻撃を設計するための一般的な手法を提案する。 本研究では, 特定の点予測の摂動と, 後部予測分布の変化の2つの対向的目的について検討する。 どちらのシナリオに対しても,新しい勾配に基づく攻撃を提案し,その実装と特性を様々な計算装置で検討する。
  論文  参考訳（メタデータ） (2025-06-11T11:53:20Z)
• IT Intrusion Detection Using Statistical Learning and Testbed Measurements [8.493936898320673]
  我々は、ITインフラにおける自動侵入検知、特に攻撃開始の特定の問題について研究する。 隠れマルコフモデル(HMM)、Long Short-Term Memory(LSTM)、Random Forest(RFC)などの統計的学習手法を適用した。 HMMとLSTMの両方が攻撃開始時間、攻撃タイプ、攻撃行動を予測するのに有効であることがわかった。
  論文  参考訳（メタデータ） (2024-02-20T15:25:56Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Targeted Attacks on Timeseries Forecasting [0.6719751155411076]
  本稿では,時系列予測モデルに対する指向性,振幅性,時間的標的攻撃の新たな定式化を提案する。 これらの攻撃は、出力予測の振幅と方向に特定の影響を与える。 実験結果から,時系列モデルに対する標的攻撃が有効であり,統計的類似性の観点からもより強力であることが示唆された。
  論文  参考訳（メタデータ） (2023-01-27T06:09:42Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
  本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。 構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。 本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-04T15:54:03Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。