論文の概要: CTF Archive: Capture, Curate, Learn Forever

• arxiv url: http://arxiv.org/abs/2512.01233v1
• Date: Mon, 01 Dec 2025 03:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.665482
• Title: CTF Archive: Capture, Curate, Learn Forever
• Title（参考訳）: CTFアーカイブ:キャプチャ、キュレート、学習
• Authors: Pratham Gupta, Aditya Gabani, Connor Nelson, Yan Shoshitaishvili,
• Abstract要約: CTFアーカイブ(CTF Archive)は、CTFコンペティションの教育的価値を維持するために設計されたプラットフォームである。 これらの保存された課題の可用性は、学習者のペースでの深い研究と探索を促進する。 CTF Archiveは、永続的で実用的なサイバーセキュリティ学習を学術カリキュラムに統合するためのスケーラブルなソリューションを提供する。
• 参考スコア（独自算出の注目度）: 5.95933681299265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Capture the Flag (CTF) competitions represent a powerful experiential learning approach within cybersecurity education, blending diverse concepts into interactive challenges. However, the short duration (typically 24-48 hours) and ephemeral infrastructure of these events often impede sustained educational benefit. Learners face substantial barriers in revisiting unsolved challenges, primarily due to the cumbersome process of manually reconstructing and rehosting the challenges without comprehensive documentation or guidance. To address this critical gap, we introduce CTF Archive, a platform designed to preserve the educational value of CTF competitions by centralizing and archiving hundreds of challenges spanning over a decade in fully configured, ready-to-use environments. By removing the complexity of environment setup, CTF Archive allows learners to focus directly on conceptual understanding rather than technical troubleshooting. The availability of these preserved challenges encourages in-depth research and exploration at the learner's pace, significantly enhancing conceptual comprehension without the pressures of live competition. Additionally, public accessibility lowers entry barriers, promoting an inclusive educational experience. Overall, CTF Archive provides a scalable solution to integrate persistent, practical cybersecurity learning into academic curricula.
• Abstract（参考訳）: Capture the Flag(CTF)コンペティションは、サイバーセキュリティ教育における強力な経験的学習アプローチであり、多様な概念をインタラクティブな課題にブレンドする。 しかし、短い期間(典型的には24～48時間)と一時的なインフラは、しばしば教育上の利益を妨げた。 学習者は未解決の課題を再考する上で、大きな障壁に直面している。 この重要なギャップに対処するために、私たちはCTF Archiveというプラットフォームを導入しました。CTFコンペティションの教育的価値を維持するために、完全に構成された、使用可能な環境において、10年以上にわたる何百という課題を集中的に、そしてアーカイブすることで、CTFコンペティションの教育的価値を維持するために設計されたプラットフォームです。 環境設定の複雑さを取り除くことで、CTF Archiveは学習者が技術的なトラブルシューティングよりも概念的理解に直接焦点を合わせることができる。 これらの保存された課題の可用性は、学習者のペースでの深い研究と探索を奨励し、ライブ競争のプレッシャーを伴わずに概念的理解を著しく強化する。 さらに、公的なアクセシビリティは参入障壁を低くし、包括的教育経験を促進する。 CTF Archiveは、永続的で実用的なサイバーセキュリティ学習を学術カリキュラムに統合するためのスケーラブルなソリューションを提供する。

関連論文リスト

• Discovering Temporal Structure: An Overview of Hierarchical Reinforcement Learning [49.46436458692833]
  この研究は、意思決定における根本的な課題の観点から、HRLの利点を特定することを目的としている。 次に、オンラインエクスペリエンスからオフラインデータセットまで、HRLの時間構造を検出するメソッドのファミリーをカバーします。 最後に、時間構造発見の課題と、そのような取り組みに特に適した領域に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-16T22:36:32Z)
• DeepDiver: Adaptive Search Intensity Scaling via Open-Web Reinforcement Learning [73.68685269970844]
  WebPuzzleはトレーニングと275サンプルテストベンチマークで、ライブインターネット上での情報検索を評価する。 我々は、検索強度スケーリング(SIS)を育成する強化学習フレームワークであるDeepDiverを開発した。 我々は,DeepDiverのカリキュラムをコールドスタートSFTからよく設計されたRLプロシージャに詳述し,その探索方針がクローズドドクエリからロングフォームライティングなどのオープンエンドジェネレーションへと一般化したことを示す。
  論文  参考訳（メタデータ） (2025-05-30T08:15:39Z)
• A Human Study of Cognitive Biases in Web Application Security [5.535195078929509]
  本稿では,認知バイアスが旗の教育とセキュリティの獲得にどのように役立つかを検討する。 本稿では,認知バイアス,特に検索と損失回避の満足度を制御するためのアプローチを提案する。 本研究は,多くの参加者が検索バイアスの満足度を示し,このバイアスがその成功に有意な影響を与えていることを明らかにする。
  論文  参考訳（メタデータ） (2025-05-17T14:16:16Z)
• Towards Improving IDS Using CTF Events [1.812535004393714]
  本稿では,CTF(Capture the Flag)イベントによる侵入検知システム(IDS)の評価手法を提案する。 本研究は,IDSの弱点をライブCTFコンペティションに組み込むことにより識別するために,調整したCTF課題を用いることの有効性を検討する。 我々は、IDS固有の課題の開発を支援する方法論、学習とエンゲージメントを促進するスコアシステム、そして実際のJeopardyスタイルのCTFイベントにおいてそのような課題を実行するための洞察を提供する。
  論文  参考訳（メタデータ） (2025-01-20T19:11:30Z)
• Towards Few-Shot Learning in the Open World: A Review and Beyond [52.41344813375177]
  少ないショット学習は、人間の知性を模倣し、大きな一般化と伝達性を実現することを目的としている。 本稿では,FSLをオープンワールド環境に適用するための最近の進歩について概説する。 既存の手法は,3つの異なるタイプのオープンワールド・マイクロショット・ラーニングに分類する。
  論文  参考訳（メタデータ） (2024-08-19T06:23:21Z)
• Fantastyc: Blockchain-based Federated Learning Made Secure and Practical [0.7083294473439816]
  フェデレートラーニング(Federated Learning)は、クライアントがローカルデータを共有せずに、中央サーバのオーケストレーション下で機械学習モデルを協調的にトレーニングすることを可能にする分散フレームワークである。 このフレームワークの中心性は、ブロックチェーンベースのフェデレーション学習アプローチによって、文献で扱われる障害点を表している。 この課題に対処するために設計されたFantastycを提案する。
  論文  参考訳（メタデータ） (2024-06-05T20:01:49Z)
• OrCo: Towards Better Generalization via Orthogonality and Contrast for Few-Shot Class-Incremental Learning [57.43911113915546]
  FSCIL(Few-Shot Class-Incremental Learning)は、問題空間を限られたデータで拡張するパラダイムを導入する。 FSCILの手法は、データが漸進的に到着するにつれて、破滅的な忘れ込みの課題に直面している。 表現空間における特徴の直交性と対照的な学習という2つの基本原理に基づいて構築されたOrCoフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T13:30:48Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Online Continual Learning with Contrastive Vision Transformer [67.72251876181497]
  本稿では,オンラインCLの安定性と塑性のトレードオフを改善するために,CVT(Contrastive Vision Transformer)フレームワークを提案する。 具体的には、従来のタスクに関する情報を暗黙的にキャプチャするオンラインCLのための新しい外部アテンション機構を設計する。 学習可能な焦点に基づいて、新しいクラスと過去のクラスの間でのコントラスト学習を再バランスさせ、事前学習した表現を統合化するための焦点コントラスト損失を設計する。
  論文  参考訳（メタデータ） (2022-07-24T08:51:02Z)
• Federated Learning: Balancing the Thin Line Between Data Intelligence and Privacy [0.0]
  フェデレートされた学習は、断片化された機密データから学ぶ上で大きな可能性を秘めている。 本稿では,フェデレートラーニングの系統的概要と詳細な分類について述べる。 フェデレートラーニングにおける既存のセキュリティ課題について検討し、データ中毒、推論攻撃、モデル中毒攻撃のための確立した防御技術の概要について述べる。
  論文  参考訳（メタデータ） (2022-04-22T23:39:16Z)
• Obstacle Tower Without Human Demonstrations: How Far a Deep Feed-Forward Network Goes with Reinforcement Learning [1.699937048243873]
  オブスタークルタワーチャレンジ(Obstacle Tower Challenge)は、手続き的に生成されたレベルのチェーンをマスターするタスクである。 競争力のある(第7位)アプローチを提示するが,Deep Reinforcement Learningによって完全にゼロから開始する。
  論文  参考訳（メタデータ） (2020-04-01T16:55:51Z)

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。