論文の概要: PHANTOM: Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry
- arxiv url: http://arxiv.org/abs/2605.02992v1
- Date: Mon, 04 May 2026 17:14:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.573478
- Title: PHANTOM: Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry
- Title（参考訳）: PHANTOM:Narrative-Tailored Organal Mimicryによるポリモルフィックハネトケン適応
- Authors: Abraham Itzhak Weinberg,
- Abstract要約: ハネトケンは、不正な属性アクセスを検出するために植えられたデコイデジタル資産である。
PHANTOMは,組織固有の知識を符号化することで,文脈的に説得力のあるハネトケンを生成するフレームワークである。
結果は外部のAPIコールなしで再現されるため、パイプラインは空調された環境で完全にデプロイできる。
- 参考スコア（独自算出の注目度）: 0.2538209532048867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Honeytokens, decoy digital assets planted to detect and attribute unauthorised access, are a well-established primitive in cyber deception. Existing generation tools produce static, template-based tokens that lack organisational specificity and are identifiable by statistical, syntactic, and semantic analysis. We introduce PHANTOM (Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry), a framework that generates contextually convincing honeytokens by encoding organisation-specific knowledge: domain names, service naming conventions, technology-stack idioms, and realistic secret-value distributions, into a multi-component generation pipeline. We formalise honeytoken quality through a four-component Believability Score that captures syntactic validity, semantic coherence, statistical plausibility, and human acceptance. We use this metric to evaluate PHANTOM across 8 token types and 4 organisational contexts against a template-based baseline. PHANTOM achieves B = 0.778 +/- 0.057 versus B = 0.576 +/- 0.058 for templates (Delta = +0.203, t = 14.07, p < 0.001, Cohen's d = 3.52). Human-evaluator acceptance rises from 6.2% to 100%, and detection resistance (DR = 1 - Pd) improves from 0.609 to 0.870 across three simulated scanner models (regex, entropy analysis, and ML classifier), each with p < 0.001. The semantic coherence gap (Delta Sc = +0.309, d = 4.52) is the dominant driver, confirming the hypothesis that organisational context is the critical missing ingredient in current approaches. All results are reproduced without external API calls, making the pipeline fully deployable in air-gapped environments.
- Abstract（参考訳）: 不正アクセスを検知し、属性付けするために植えられたデコイデジタル資産であるハネトケンは、サイバー詐欺において確立されたプリミティブである。
既存の生成ツールは、組織的な特異性を欠いた静的なテンプレートベースのトークンを生成し、統計、構文、意味分析によって識別できる。
我々は、ドメイン名、サービス命名規則、技術スタックイディオム、現実的な秘密価値分布といった組織固有の知識を符号化することで、文脈的に説得力のあるハニトケンを生成するフレームワークであるPHANTOM(Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry)を、マルチコンポーネント生成パイプラインに導入する。
我々は,文法的妥当性,セマンティック・コヒーレンス,統計的妥当性,人間の受容を捉える4成分可読スコアを用いて,ハネトケン質を定式化する。
このメトリクスを使用して、テンプレートベースのベースラインに対して、8種類のトークンタイプと4つの組織コンテキストでPHANTOMを評価します。
PHANTOM はテンプレートに対して B = 0.778 +/- 0.057 対 B = 0.576 +/- 0.058 を達成する(Delta = +0.203, t = 14.07, p < 0.001, Cohen's d = 3.52)。
ヒト評価器の受容率は6.2%から100%に増加し、検出抵抗(DR = 1 - Pd)は3つの模擬スキャナーモデル(レジェックス、エントロピー分析、ML分類器)で0.609から0.870に改善され、それぞれp < 0.001である。
意味的コヒーレンスギャップ(Delta Sc = +0.309, d = 4.52)は支配的なドライバーであり、組織的コンテキストが現在のアプローチで欠落している重要な要素である、という仮説を確認している。
すべての結果が外部APIコールなしで再現されるため、パイプラインは空中障害のある環境で完全にデプロイできる。
関連論文リスト
- Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - THEIA: Learning Complete Kleene Three-Valued Logic in a Pure-Neural Modular Architecture [0.0]
THEIAは2.75Mのモジュラー・ニューラルアーキテクチャで、外部のシンボル推論や手書きのK3ゲートプリミティブを使わずにタスクデータから完全Kleene 3値論理(K3)真理表を学習する。
トランスフォーマーのベースラインは39の規則すべてで99%に到達し、フラットは0.04pp以内のフェーズ1の精度でTheIAと一致している。
論文 参考訳（メタデータ） (2026-04-13T10:44:15Z) - Understanding NPM Malicious Package Detection: A Benchmark-Driven Empirical Analysis [10.599261033874884]
NPMエコシステムは、ソフトウェアサプライチェーン攻撃の主要なターゲットとなっている。
ベンチマークによるNPMマルウェア検出の実証分析を行う。
我々は、11の行動カテゴリと8の回避テクニックを付加した、6,420の悪意のある7,288の良性パッケージのデータセットを構築した。
論文 参考訳（メタデータ） (2026-03-29T07:04:31Z) - PLUME: Building a Network-Native Foundation Model for Wireless Traces via Protocol-Aware Tokenization [0.9558392439655014]
Plumeは、構造化PDML切断から学ぶ802.11トレースのコンパクト基盤モデルである。
プロトコル対応トークン化器は、ディセクタフィールドツリーに沿って分割し、タイミングのギャップトークンを出力し、識別子を正規化し、BPEよりも6.2倍短いシーケンスを生成する。
論文 参考訳（メタデータ） (2026-03-13T23:14:43Z) - Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。
5つの公開異常データセット上で14の代表的なモデルを評価する。
論文 参考訳（メタデータ） (2026-02-17T09:45:44Z) - ACAR: Adaptive Complexity Routing for Multi-Model Ensembles with Auditable Decision Traces [3.151184728006369]
本稿では,聴覚条件下でのマルチモデルオーケストレーションのための測定フレームワークACARを提案する。
ACARは、N=3プローブサンプルから計算した自己整合分散(sigma)を使用して、単一モデル、2モデル、3モデル実行モードでタスクをルーティングする。
我々は4つのベンチマークにまたがる1,510のタスクに対してACARを評価し、7,550以上の監査可能な実行を生成した。
論文 参考訳（メタデータ） (2026-02-06T23:27:17Z) - NNGPT: Rethinking AutoML with Large Language Models [36.90850535125572]
NNGPTは、大規模な言語モデル(LLM)を、ニューラルネットワーク開発のための自己改善型のAutoMLエンジンに変換する、オープンソースのフレームワークである。
ゼロショットアーキテクチャ合成、ハイパーパラメータ最適化、コード認識精度/早期停止予測、強化学習の5つのシナジスティックLLMベースのパイプラインに統合されている。
このシステムは、すでに5K以上の検証済みモデルを生成しており、自律的なAutoMLエンジンとしてNNGPTを証明している。
論文 参考訳（メタデータ） (2025-11-25T14:10:44Z) - Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク
AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
論文 参考訳（メタデータ） (2025-10-11T14:09:24Z) - Team RAS in 9th ABAW Competition: Multimodal Compound Expression Recognition Approach [44.40745123728199]
複合表現認識(CER)は、基本的な感情の組み合わせによって形成される複雑な感情状態を検出することを目的としている。
6つの不均一なモーダルを1つのパイプラインに結合する新しいゼロショットマルチモーダルアプローチを提案する。
提案手法では、AffWild2ではF1スコアが46.95%、AFEWでは49.02%、ゼロショットテストでC-EXPR-DBでは34.85%である。
論文 参考訳（メタデータ） (2025-07-02T23:51:40Z) - Enhancing Domain-Specific Retrieval-Augmented Generation: Synthetic Data Generation and Evaluation using Reasoning Models [0.6827423171182154]
Retrieval-Augmented Generation (RAG) システムは、技術的領域に適用した場合、大きなパフォーマンスギャップに直面します。
ドメイン固有のRAG性能を最適化するために、粒度評価指標と合成データ生成を組み合わせたフレームワークを提案する。
10トークン未満の小さなチャンクは、精度を31-42%向上させます。
論文 参考訳（メタデータ） (2025-02-21T06:38:57Z)
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。