論文の概要: Graph Neural Network Based Adaptive Threat Detection for Cloud Identity and Access Management Logs
- arxiv url: http://arxiv.org/abs/2512.10280v1
- Date: Thu, 11 Dec 2025 04:44:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-12 16:15:42.192726
- Title: Graph Neural Network Based Adaptive Threat Detection for Cloud Identity and Access Management Logs
- Title（参考訳）: グラフニューラルネットワークを用いたクラウドアイデンティティとアクセス管理ログの適応的脅威検出
- Authors: Venkata Tanuja Madireddy,
- Abstract要約: 本稿では,グラフニューラルネットワークを用いたアダプティブ脅威検出フレームワークを提案する。
IAM監査パスから潜伏したユーザリソースのインタラクションパターンをリアルタイムで学習する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid expansion of cloud infrastructures and distributed identity systems has significantly increased the complexity and attack surface of modern enterprises. Traditional rule based or signature driven detection systems are often inadequate in identifying novel or evolving threats within Identity and Access Management logs, where anomalous behavior may appear statistically benign but contextually malicious. This paper presents a Graph Neural Network Based Adaptive Threat Detection framework designed to learn latent user resource interaction patterns from IAM audit trails in real time. By modeling IAM logs as heterogeneous dynamic graphs, the proposed system captures temporal, relational, and contextual dependencies across entities such as users, roles, sessions, and access actions. The model incorporates attention based aggregation and graph embedding updates to enable continual adaptation to changing cloud environments. Experimental evaluation on synthesized and real world IAM datasets demonstrates that the proposed method achieves higher detection precision and recall than baseline LSTM and GCN classifiers, while maintaining scalability across multi tenant cloud environments. The frameworks adaptability enables proactive mitigation of insider threats, privilege escalation, and lateral movement attacks, contributing to the foundation of AI driven zero trust access analytics. This work bridges the gap between graph based machine learning and operational cloud security intelligence.
- Abstract（参考訳）: クラウドインフラストラクチャと分散IDシステムの急速な拡張により、現代の企業の複雑さと攻撃面が大幅に増大した。
従来のルールベースまたはシグネチャ駆動検出システムは、IDおよびアクセス管理ログ内の新規または進化する脅威を特定するのに不十分であることが多い。
本稿では,IAM監査経路から潜時ユーザリソースのインタラクションパターンをリアルタイムに学習するための,グラフニューラルネットワークに基づく適応脅威検出フレームワークを提案する。
IAMログをヘテロジニアスな動的グラフとしてモデル化することにより、ユーザ、ロール、セッション、アクセスアクションといったエンティティ間の時間的、リレーショナル、コンテキスト的依存関係をキャプチャする。
このモデルには、注意に基づく集約とグラフの埋め込み更新が含まれており、クラウド環境の変化への継続的な適応を可能にする。
合成および実世界のIAMデータセットを用いた実験により,本手法は,マルチテナントクラウド環境におけるスケーラビリティを維持しつつ,ベースラインLSTMおよびGCN分類器よりも高い検出精度とリコールを実現することを示す。
フレームワークの適応性は、インサイダー脅威の積極的な緩和、特権エスカレーション、横移動攻撃を可能にし、AI駆動のゼロ信頼アクセス分析の基礎に寄与する。
この作業は、グラフベースの機械学習と運用クラウドセキュリティインテリジェンスとのギャップを埋めるものだ。
関連論文リスト
- A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection [4.1427901594249255]
不均一グラフニューラルネットワーク(HGNN)は、異常検出のための有望なパラダイムとして登場した。
この調査は、スケーラブルで解釈可能で実用的なデプロイ可能なソリューションに向けて、HGNNベースの異常検出を促進するための構造化された基盤を確立することを目的としている。
論文 参考訳（メタデータ） (2025-10-30T09:49:59Z) - Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。
提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。
統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
論文 参考訳（メタデータ） (2025-10-29T03:47:02Z) - Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。
グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。
Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文 参考訳（メタデータ） (2025-09-02T22:17:25Z) - One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。
本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。
本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
論文 参考訳（メタデータ） (2025-08-18T12:36:55Z) - CONTINUUM: Detecting APT Attacks through Spatial-Temporal Graph Neural Networks [0.9553673944187253]
Advanced Persistent Threats (APT) はサイバーセキュリティにおいて重要な課題である。
従来の侵入検知システム(IDS)は、これらの多段階攻撃を検出するのに不足することが多い。
論文 参考訳（メタデータ） (2025-01-06T12:43:59Z) - Profile of Vulnerability Remediations in Dependencies Using Graph
Analysis [40.35284812745255]
本研究では,グラフ解析手法と改良型グラフ注意畳み込みニューラルネットワーク(GAT)モデルを提案する。
制御フローグラフを分析して、脆弱性の修正を目的とした依存性のアップグレードから発生するアプリケーションの変更をプロファイルします。
結果は、コード脆弱性のリレーショナルダイナミクスに関する微妙な洞察を提供する上で、強化されたGATモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-03-08T02:01:47Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。
既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。
本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
論文 参考訳（メタデータ） (2022-09-24T21:45:06Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。