論文の概要: CryptoCatch: Cryptomining Hidden Nowhere

• arxiv url: http://arxiv.org/abs/2602.10573v1
• Date: Wed, 11 Feb 2026 06:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.516076
• Title: CryptoCatch: Cryptomining Hidden Nowhere
• Title（参考訳）: CryptoCatch: 隠された暗号通貨はどこにもない
• Authors: Ruisheng Shi, Ziding Lin, Haoran Sun, Qin Wang, Shihan Zhang, Lina Lan, Zhiyuan Peng, Chenfeng Wang,
• Abstract要約: 本稿では,実際の暗号化によるトラフィック検出機構を提案する。 これは2段階検出フレームワークで構成されており、機械学習によって効果的にきめ細かい検出結果を提供することができる。 本システムは、F1スコア0.99を達成し、99.39%の精度で特定の暗号を識別する。
• 参考スコア（独自算出の注目度）: 18.251780652108785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryptomining poses significant security risks, yet traditional detection methods like blacklists and Deep Packet Inspection (DPI) are often ineffective against encrypted mining traffic and suffer from high false positive rates. In this paper, we propose a practical encrypted cryptomining traffic detection mechanism. It consists of a two-stage detection framework, which can effectively provide fine-grained detection results by machine learning and reduce false positives from classifiers through active probing. Our system achieves an F1-score of 0.99 and identifies specific cryptocurrencies with a 99.39\% accuracy rate. Extensive testing across various mining pools confirms the effectiveness of our approach, offering a more precise and reliable solution for identifying cryptomining activities.
• Abstract（参考訳）: 暗号マイニングは重大なセキュリティリスクを引き起こすが、ブラックリストやディープパケット検査(Deep Packet Inspection, DPI)のような従来の検出方法は、しばしば暗号化マイニングトラフィックに対して効果がなく、偽陽性率が高い。 本稿では,実際に暗号化されたトラフィック検出機構を提案する。 これは2段階検出フレームワークで構成されており、機械学習によるきめ細かい検出結果を効果的に提供し、アクティブな探索を通じて分類器からの偽陽性を減らすことができる。 本システムは、F1スコアの0.99を達成し、99.39\%の精度で特定の暗号を識別する。 様々な採掘プールにわたる広範囲なテストは、我々のアプローチの有効性を確認し、暗号化活動を特定するためのより正確で信頼性の高いソリューションを提供する。

関連論文リスト

• CryptoGuard: Lightweight Hybrid Detection and Response to Host-based Cryptojackers in Linux Cloud Environments [9.40606834287371]
  CryptoGuardは、検出と修復戦略を組み合わせた軽量なハイブリッドソリューションである。 分類タスクを2段階のプロセスに分解し、深層学習モデルを利用して、高い精度で不審な活動を特定する。 2つのフェーズの平均F1スコアは96.12%と92.26%であり、真と偽の正の比率で最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-21T06:15:48Z)
• Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
  AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。 我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
  論文  参考訳（メタデータ） (2025-07-13T15:29:14Z)
• Dynamic Graph-based Fingerprinting of In-browser Cryptomining [0.5261718469769449]
  暗号ジャックは 盗まれたコンピューター資源を使って 暗号通貨を採掘する ブラウザ内暗号ジャックマルウェアはWebAssemblyなどのWeb技術を利用して、ブラウザ内で直接暗号通貨をマイニングする。 本稿では,命令レベルのデータフローグラフを用いて暗号化動作を検出することを提案する。
  論文  参考訳（メタデータ） (2025-05-05T09:21:58Z)
• Anomaly Detection with LWE Encrypted Control [5.263161322684099]
  本稿では,エラー暗号信号を用いた学習における異常検出機構を提案する。 この検出器はLWE暗号の同型性を利用して、暗号化されたサンプルの変換に関する仮説テストを実行する。
  論文  参考訳（メタデータ） (2025-02-14T16:38:51Z)
• Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
  本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。 これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。 本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
  論文  参考訳（メタデータ） (2025-01-25T04:53:36Z)
• Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs [16.25273745598176]
  暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらした。 現在の検出方法は、主に機能工学に依存しているか、あるいは暗号取引ネットワーク内の複雑な情報を活用するのに不十分である。 本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。
  論文  参考訳（メタデータ） (2023-09-04T09:01:56Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。