Fugu-MT 論文翻訳(概要): SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration

論文の概要: SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration

arxiv url: http://arxiv.org/abs/2602.10750v1
Date: Wed, 11 Feb 2026 11:26:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-12 21:44:01.813909
Title: SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration
Title（参考訳）: SecureScan:ロジスティック回帰と脅威インテリジェンス統合を用いたマルウェアとフィッシング検出のためのAI駆動多層フレームワーク
Authors: Rumman Firdos, Aman Dangi,
Abstract要約: この作業では、AI駆動の三層検出フレームワークであるSecureScanが紹介されている。 VirusTotal APIを通じて、ロジスティック回帰に基づく分類、分析、外部脅威インテリジェンスを統合する。ベンチマークデータセットでは、SecureScanは93.1%の精度でバランスの取れた精度を実現している。
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 growing sophistication of modern malware and phishing campaigns has diminished the effectiveness of traditional signature-based intrusion detection systems. This work presents SecureScan, an AI-driven, triple-layer detection framework that integrates logistic regression-based classification, heuristic analysis, and external threat intelligence via the VirusTotal API for comprehensive triage of URLs, file hashes, and binaries. The proposed architecture prioritizes efficiency by filtering known threats through heuristics, classifying uncertain samples using machine learning, and validating borderline cases with third-party intelligence. On benchmark datasets, SecureScan achieves 93.1 percent accuracy with balanced precision (0.87) and recall (0.92), demonstrating strong generalization and reduced overfitting through threshold-based decision calibration. A calibrated threshold and gray-zone logic (0.45-0.55) were introduced to minimize false positives and enhance real-world stability. Experimental results indicate that a lightweight statistical model, when augmented with calibrated verification and external intelligence, can achieve reliability and performance comparable to more complex deep learning systems.
Abstract（参考訳）: 現代のマルウェアやフィッシングキャンペーンの高度化により、従来のシグネチャベースの侵入検知システムの有効性は低下した。これは、ロジスティック回帰ベースの分類、ヒューリスティック分析、外部脅威インテリジェンスを統合し、URL、ファイルハッシュ、バイナリの包括的なトリアージを行うためのVirusTotal APIを通じて、AI駆動の三層検出フレームワークであるSecureScanを提供する。提案したアーキテクチャは、ヒューリスティックスを通じて既知の脅威をフィルタリングし、マシンラーニングを使用して不確実なサンプルを分類し、サードパーティのインテリジェンスによる境界ケースを検証することで効率を優先する。ベンチマークデータセットでは、SecureScanはバランスの取れた精度 (0.87) とリコール (0.92) で93.1%の精度を達成し、強い一般化としきい値に基づく決定キャリブレーションによるオーバーフィッティングを減らした。校正しきい値とグレーゾーン論理(0.45-0.55)を導入し、偽陽性を最小化し、現実世界の安定性を高めた。実験結果から,校正検証と外部インテリジェンスを併用した軽量統計モデルでは,より複雑な深層学習システムに匹敵する信頼性と性能が得られることが示された。

関連論文リスト

AI-Powered Algorithms for the Prevention and Detection of Computer Malware Infections [0.24919281650930605]
本研究では,人工知能(AI)に基づくコンテキスト認識型ハイブリッドマルウェア検出フレームワークを提案する。この新しいアプローチは、97.3%の精度で優れたパフォーマンスを提供し、同じ分野で確立されたいくつかの機械学習(ML)やディープラーニング(DL)と比較して、1.5%の偽陽性率と最小限の検出遅延しか得られない。
論文参考訳（メタデータ） (2026-01-09T02:14:34Z)
AI Agentic Vulnerability Injection And Transformation with Optimized Reasoning [2.918225266151982]
AVIATORはAIによる最初の脆弱性注入ワークフローである。高忠実で多様な大規模な脆弱性データセット生成のために、現実的でカテゴリ固有の脆弱性を自動的に注入する。セマンティック分析、LoRAベースのファインチューニングとRetrieval-Augmented Generationで強化されたインジェクション合成、静的解析とLLMベースの識別器によるインジェクション後の検証を組み合わせる。
論文参考訳（メタデータ） (2025-08-28T14:59:39Z)
Deep Learning Models for Robust Facial Liveness Detection [56.08694048252482]
本研究では,現代のアンチスプーフィング手法の欠陥に対処する新しい深層学習モデルを用いて,ロバストな解を提案する。テクスチャ解析と実際の人間の特性に関連する反射特性を革新的に統合することにより、我々のモデルは、顕著な精度でレプリカと真の存在を区別する。
論文参考訳（メタデータ） (2025-08-12T17:19:20Z)
A Gradient-Optimized TSK Fuzzy Framework for Explainable Phishing Detection [0.0]
既存のフィッシング検出手法は高い精度と説明可能性の両立に苦慮している。勾配に基づく手法により最適化された1次高木・スゲノ・カンファジィ推論モデルに基づく新しいフィッシングURL検出システムを提案する。
論文参考訳（メタデータ） (2025-04-25T18:31:05Z)
EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。既存のディープラーニング技術と同等ですが、説明性が向上しています。自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
論文参考訳（メタデータ） (2025-03-22T23:37:35Z)
Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文参考訳（メタデータ） (2025-03-21T06:12:06Z)
Decentralized Entropy-Based Ransomware Detection Using Autonomous Feature Resonance [0.0]
従来のランサムウェア検出手法の限界に対処するため,自律的特徴共鳴と呼ばれる新しい手法が導入された。提案手法は, 検出精度97.3%, 偽陽性, 偽陰性率は1.8%, 偽陰性率は2.1%である。
論文参考訳（メタデータ） (2025-02-14T00:26:10Z)
A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。工業画像から抽出した55個の特徴を統計的手法を用いて解析した。これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文参考訳（メタデータ） (2024-12-11T22:12:21Z)
How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文参考訳（メタデータ） (2020-12-02T15:30:21Z)

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。