論文の概要: DRIFT: Drift-Resilient Invariant-Feature Transformer for DGA Detection

• arxiv url: http://arxiv.org/abs/2605.10436v1
• Date: Mon, 11 May 2026 12:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.792557
• Title: DRIFT: Drift-Resilient Invariant-Feature Transformer for DGA Detection
• Title（参考訳）: DGA検出用ドリフトレジリエント不変形変圧器
• Authors: Chaeyoung Lee, Chaeri Jung, Seonghoon Jeong,
• Abstract要約: ドメイン生成アルゴリズムはボットネット検出を避けるために進化する。 深層学習に基づく検出器は、静的条件下では強い性能を達成するが、時間的ドリフトに直面すると著しく劣化する。 本稿では,ハイブリッドトークン化戦略を通じて不変表現を学習するドリフトレジリエントトランスフォーマー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）: 0.28675177318965045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Generation Algorithms (DGAs) evolve continuously to evade botnet detection, posing a persistent challenge for dependable network defense. While deep learning-based detectors achieve strong performance under static conditions, they suffer severe degradation when facing temporal drift. Through a 9-year longitudinal study (2017-2025), we empirically show that state-of-the-art character- and word-based DGA classifiers rapidly lose effectiveness as new DGA variants emerge. To address this problem, we propose a drift-resilient Transformer-based framework that learns invariant representations through a hybrid tokenization strategy and multi-task self-supervised pre-training. The model integrates (i) character-level encoding to capture stochastic morphological patterns and (ii) subword-level encoding for word-based DGAs. Three pre-training tasks enable the model to learn robust structural and contextual features prior to supervised fine-tuning. Comprehensive evaluations demonstrate that our method significantly mitigates temporal degradation and consistently outperforms state-of-the-art baselines in forward-chaining experiments. The proposed approach offers a dependable foundation for long-term DGA defense in evolving threat landscapes. Our code is available at: https://github.com/snsec-net/2026-DSN-DRIFT.
• Abstract（参考訳）: ドメイン生成アルゴリズム(DGA)は継続的に進化し、ボットネット検出を回避する。 深層学習に基づく検出器は静的条件下では強い性能を達成するが、時間的ドリフトに直面すると深刻な劣化を被る。 9年間の縦断的研究 (2017-2025) を通じて, DGA が出現するにつれて, 最先端の文字と単語に基づく DGA 分類器が急速に効果を低下させることを示す。 この問題に対処するために,ハイブリッドトークン化戦略とマルチタスクによる自己教師型事前学習を通じて不変表現を学習するドリフトレジリエントトランスフォーマーベースのフレームワークを提案する。 モデルは統合されます (i)確率的形態素パターンをキャプチャするための文字レベルの符号化 (II)単語ベースDGAのサブワードレベル符号化 3つの事前学習タスクにより、教師付き微調整の前に頑健な構造的特徴と文脈的特徴を学習することができる。 包括的評価により,本手法は時間的劣化を著しく軽減し,フォワードチェアリング実験における最先端のベースラインを一貫して上回っていることが示された。 提案手法は、脅威景観の進化において、長期的なDGA防衛のための信頼性の高い基盤を提供する。 私たちのコードは、https://github.com/snsec-net/2026-DSN-DRIFT.comで利用可能です。

関連論文リスト

• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Unsupervised Online 3D Instance Segmentation with Synthetic Sequences and Dynamic Loss [52.28880405119483]
  教師なしのオンライン3Dインスタンスのセグメンテーションは、基本的だが難しい課題だ。 UNITのような既存の手法はこの方向に進んできたが、訓練の多様性が制限されているままである。 本稿では,合成点雲列生成によるトレーニング分布の強化を目的とした新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T08:53:27Z)
• FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection [54.576802512108685]
  Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定することを目的としている。 既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのために、高デプロイメントコストとスケーラビリティの不足に悩まされることが多い。 新たなGAD法であるFreeGADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T12:37:20Z)
• AiGAS-dEVL-RC: An Adaptive Growing Neural Gas Model for Recurrently Drifting Unsupervised Data Streams [6.7236795813629]
  本研究は,急激な再帰流を処理するために,GNGアルゴリズムに基づく新しい手法を提案する。 提案手法はコンパクトだが情報的なメモリ構造を維持しており,過去の概念や再帰概念の知識を効率的に保存し,検索することができる。 繰り返し知識を活用できない他の手法とは異なり、提案手法は、教師なしドリフトデータフローに対する堅牢で効率的なオンライン学習ソリューションであることが証明されている。
  論文  参考訳（メタデータ） (2025-04-08T07:42:50Z)
• Continual Learning with Strategic Selection and Forgetting for Network Intrusion Detection [6.3399691183255165]
  侵入検知システム(IDS)はデジタルインフラの保護に不可欠である。 本稿では,IDSの新しい連続学習手法であるSSF(Strategic Selection and Forgetting)を提案する。 提案手法は,新しいサンプルを選択的に選択する戦略的サンプル選択アルゴリズムと,古いサンプルをドロップする戦略的忘れ機構を備える。
  論文  参考訳（メタデータ） (2024-12-20T09:22:07Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)

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。