論文の概要: Internet malware propagation: Dynamics and control through SEIRV epidemic model with relapse and intervention

• arxiv url: http://arxiv.org/abs/2603.03712v1
• Date: Wed, 04 Mar 2026 04:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.179896
• Title: Internet malware propagation: Dynamics and control through SEIRV epidemic model with relapse and intervention
• Title（参考訳）: インターネットマルウェアの伝播:再発と介入を伴うSEIRV流行モデルによるダイナミクスと制御
• Authors: Samiran Ghosh, V Anil Kumar,
• Abstract要約: マルウェアの拡散を研究するために,通常の微分方程式を用いて定式化した汎用SEIRVモデルを提案する。 我々は,システムの正当性と有界性を確立し,マルウェアの伝播閾値を導出し,マルウェアフリー平衡の局所的および大域的安定性を解析する。 本稿では,効率的な制御戦略とコスト効率の両立を図るために,ハイブリッド勾配に基づくグローバル最適化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）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Malware attacks in today's vast digital ecosystem pose a serious threat. Understanding malware propagation dynamics and designing effective control strategies are therefore essential. In this work, we propose a generic SEIRV model formulated using ordinary differential equations to study malware spread. We establish the positivity and boundedness of the system, derive the malware propagation threshold, and analyze the local and global stability of the malware-free equilibrium. The separatrix defining epidemic regions in the control space is identified, and the existence of a forward bifurcation is demonstrated. Using normalized forward sensitivity indices, we determine the parameters most influential to the propagation threshold. We further examine the nonlinear dependence of key epidemic characteristics on the transmission rate, including the maximum number of infected, time to peak infection, and total number of infected. We propose a hybrid gradient-based global optimization framework using simulated annealing approach to identify effective and cost-efficient control strategies. Finally, we calibrate the proposed model using infection data from the "Windows Malware Dataset with PE API Calls" and investigated the effect of intervention onset time on averted cases, revealing an exponential decay relationship between delayed intervention and averted cases.
• Abstract（参考訳）: 今日の巨大デジタルエコシステムにおけるマルウェア攻撃は深刻な脅威となる。 したがって、マルウェアの伝播ダイナミクスを理解し、効果的な制御戦略を設計することが不可欠である。 本研究では,通常の微分方程式を用いて定式化した汎用SEIRVモデルを提案し,マルウェアの拡散について検討する。 我々は,システムの正当性と有界性を確立し,マルウェアの伝播閾値を導出し,マルウェアフリー平衡の局所的および大域的安定性を解析する。 制御空間内の流行領域を定義するセパラトリクスを特定し、前方分岐の存在を実証する。 正規化前方感度指標を用いて, 伝搬閾値に最も影響を及ぼすパラメータを決定する。 さらに,感染の最大数,感染までの時間,感染総数など,感染率に対するキー流行特性の非線形依存性について検討した。 シミュレーションアニーリング手法を用いて, 最適かつコスト効率の高い制御戦略を同定するハイブリッド勾配に基づくグローバル最適化フレームワークを提案する。 最後に,「PE APIコールを用いたWindows Malware Dataset」の感染データを用いて,提案モデルを校正し,回避症例に対する介入開始時間の影響について検討し,遅延介入と回避症例の指数的崩壊関係を明らかにした。

関連論文リスト

• Epidemic-guided deep learning for spatiotemporal forecasting of Tuberculosis outbreak [0.0]
  本稿では,先進的な深層学習技術と機械的疫学の原則を融合させるEGDL手法を提案する。 我々のフレームワークは、飽和入射率とグラフラプラシア拡散を付加したネットワーク化された感受性-感染-回復モデル(MN-SIR)に基づいて構築されている。 全国47都道府県と中国本土31県で実施したTB頻度データから,本手法が堅牢かつ正確な予測を行うことを示す。
  論文  参考訳（メタデータ） (2025-02-15T12:39:42Z)
• Towards the efficacy of federated prediction for epidemics on networks [5.719600613434056]
  我々は、フェデレートラーニング(FL)に基づく疫病ネットワーク上のノードレベルの予測のための一般的なプライバシレベルフレームワークを開発する。 本研究は,疫病管理におけるFLシナリオの有効性に関する実践的な知見を提供する。
  論文  参考訳（メタデータ） (2024-12-03T04:37:28Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• MPSTAN: Metapopulation-based Spatio-Temporal Attention Network for Epidemic Forecasting [2.0297284948237366]
  メタポピュレーションに基づく時空間注意ネットワーク(MPSTAN)と呼ばれるハイブリッドモデルを提案する。 本モデルは,マルチパッチ疫学知識を時間モデルに取り入れ,パッチ間相互作用を適応的に定義することにより,流行予測の精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-06-15T18:12:55Z)
• Epicasting: An Ensemble Wavelet Neural Network (EWNet) for Forecasting Epidemics [2.705025060422369]
  感染性疾患は、世界中でヒトの病気や死亡の原因となっている。 感染拡大の予測は、利害関係者が目の前の状況に対処するのに役立つ。
  論文  参考訳（メタデータ） (2022-06-21T19:31:25Z)
• Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
  疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。 本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。 深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
  論文  参考訳（メタデータ） (2021-05-31T19:28:17Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• OutbreakFlow: Model-based Bayesian inference of disease outbreak dynamics with invertible neural networks and its application to the COVID-19 pandemics in Germany [0.19791587637442667]
  専門的なニューラルネットワークを用いた疫学モデリングの新たな組み合わせを提案する。 我々は, 発生時間, 未検出感染数, 症状発症前の感染可能性, および, 非常に適度な量の実世界の観測による遅延の報告など, 重要な疾患特性に関する信頼性の高い確率推定値を得ることができる。
  論文  参考訳（メタデータ） (2020-10-01T11:01:49Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)

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。