論文の概要: Explainable Attention-Based LSTM Framework for Early Detection of AI-Assisted Ransomware via File System Behavioral Analysis

• arxiv url: http://arxiv.org/abs/2604.17522v1
• Date: Sun, 19 Apr 2026 16:27:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.569148
• Title: Explainable Attention-Based LSTM Framework for Early Detection of AI-Assisted Ransomware via File System Behavioral Analysis
• Title（参考訳）: ファイルシステムの挙動解析によるAI支援ランサムウェアの早期検出のための説明可能な注意ベースLSTMフレームワーク
• Abstract要約: ランサムウェアは、最も破壊的なサイバー脅威の1つとして進化を続けている。 このような攻撃の早期発見は依然として大きな課題である。 本研究では,AIによるランサムウェアの変種を早期に検出するためのアテンションベースの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/4.0/
• Abstract: Ransomware continues to evolve as one of the most disruptive cyber threats, with recent variants increasingly leveraging automated and AI-assisted techniques to evade traditional signature-based defenses. Early detection of such attacks remains a significant challenge, particularly when malicious behavior closely resembles legitimate system activity. This study proposes an explainable attention-based Long Short-Term Memory (LSTM) framework for the early detection of AI assisted ransomware variants through analysis of file system behavioral patterns. The proposed model captures temporal dependencies in file operation sequences, while an attention mechanism highlights critical behavioral indicators associated with ransomware activity. To improve transparency and trust in automated detection systems, explainable artificial intelligence (XAI) techniques are incorporated to interpret model predictions and identify influential behavioral features. Experimental evaluation using ransomware behavioral traces demonstrates that the proposed framework can effectively distinguish malicious activity at early stages of execution with high detection performance and low false-positive rates. The findings suggest that combining sequence-aware deep learning models with explainability mechanisms can significantly enhance the reliability and interpretability of next-generation ransomware defense systems. This work contributes toward the development of intelligent and transparent cyber-defense mechanisms capable of addressing emerging AI-driven malware threats.
• Abstract（参考訳）: ランサムウェアは最も破壊的なサイバー脅威の1つとして進化を続けており、近年の変種は、従来の署名に基づく防御を回避するために、自動化およびAI支援技術を活用している。 このような攻撃を早期に検出することは、特に悪意のある行動が正統なシステムアクティビティによく似ている場合において、依然として重大な課題である。 本研究では、ファイルシステムの動作パターンの分析を通じて、AIによるランサムウェア変種を早期に検出するための、注意に基づくLong Short-Term Memory(LSTM)フレームワークを提案する。 提案モデルでは,ファイル操作シーケンスの時間的依存関係をキャプチャし,ランサムウェアアクティビティに関連する重要な行動指標を注目する。 自動検出システムの透明性と信頼性を向上させるため、モデル予測を解釈し、影響力のある行動特徴を特定するために、説明可能な人工知能(XAI)技術が組み込まれている。 ランサムウェアの挙動トレースを用いた実験により,本フレームワークは,検出性能が高く,偽陽性率の低い実行初期において,悪質な活動を効果的に識別できることを示した。 その結果,シーケンシャル・アウェア・ディープラーニングモデルと説明可能性メカニズムを組み合わせることで,次世代ランサムウェア防衛システムの信頼性と解釈性が向上することが示唆された。 この研究は、AIによるマルウェアの脅威に対処できるインテリジェントで透明なサイバー防御メカニズムの開発に寄与する。

関連論文リスト

• Performance analysis of Machine learning algorithms for predicting malware [0.0]
  マルウェアは、現代のコンピューティングシステムに永続的で進化的な脅威をもたらす。 従来のシグネチャベースのアンチウイルスソリューションは、新しく出現するマルウェアを特定するのに失敗することが多い。 本研究では,機械学習によるマルウェア検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-03T03:24:58Z)
• Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
  機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。 この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。 また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
  論文  参考訳（メタデータ） (2026-03-26T18:42:57Z)
• Ransomware and Artificial Intelligence: A Comprehensive Systematic Review of Reviews [1.6863755729554886]
  この研究は、AIがランサムウェアの検出、予防、緩和戦略をどのように変えているかについての洞察を集める。 この結果は、複数の分析手法を組み合わせたハイブリッドモデルの有効性を浮き彫りにした。 ランサムウェア防衛における重要な課題として、AI駆動検出システムを欺くように設計されたテクニックなどを検討する。
  論文  参考訳（メタデータ） (2026-03-14T03:39:39Z)
• Explainable and Resilient ML-Based Physical-Layer Attack Detectors [46.30085297768888]
  物理層侵入を警告するために訓練された各種分類器の内部動作を分析する。 有害パラメータのノイズ化に対する検出器のレジリエンスを評価した。 この研究は、利用可能なネットワーク監視データに基づいて訓練された高速で堅牢な検出器を開発するための設計ガイドラインとして機能する。
  論文  参考訳（メタデータ） (2025-09-30T17:05:33Z)
• Certifiably robust malware detectors by design [48.367676529300276]
  設計によるロバストなマルウェア検出のための新しいモデルアーキテクチャを提案する。 すべての堅牢な検出器を特定の構造に分解することができ、それを経験的に堅牢なマルウェア検出器の学習に適用できることを示す。 我々のフレームワークERDALTはこの構造に基づいている。
  論文  参考訳（メタデータ） (2025-08-10T09:19:29Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Decentralized Entropy-Driven Ransomware Detection Using Autonomous Neural Graph Embeddings [0.0]
  このフレームワークはノードの分散ネットワークで動作し、単一障害点を排除し、ターゲット攻撃に対するレジリエンスを強化する。 グラフベースのモデリングと機械学習技術の統合により、このフレームワークは複雑なシステムインタラクションをキャプチャできる。 ケーススタディでは、実世界のシナリオでの有効性を検証するとともに、ランサムウェア攻撃を開始後数分で検出し軽減する能力を示している。
  論文  参考訳（メタデータ） (2025-02-11T11:59:10Z)
• A Sysmon Incremental Learning System for Ransomware Analysis and Detection [1.495391051525033]
  サイバー脅威、特にランサムウェア攻撃の増加に直面しているため、高度な検知と分析システムの必要性が高まっている。 これらの提案のほとんどは、新しいランサムウェアを検出するために、基礎となるモデルをスクラッチから更新する必要がある、非インクリメンタルな学習アプローチを活用している。 新たなランサムウェア株がモデルが更新されるまで検出されない可能性があるため、再トレーニング中に攻撃に対して脆弱なデータを残すため、このアプローチは問題となる。 本稿では,Sysmon Incremental Learning System for Analysis and Detection (SILRAD)を提案する。
  論文  参考訳（メタデータ） (2025-01-02T06:22:58Z)
• MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
  マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。 我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。 この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2024-09-29T07:22:47Z)
• DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness [58.23214712926585]
  我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。 具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。 私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
  論文  参考訳（メタデータ） (2023-03-20T17:25:22Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。