Fugu-MT 論文翻訳(概要): High-Precision APT Malware Attribution with Out-of-Scope Resilience

論文の概要: High-Precision APT Malware Attribution with Out-of-Scope Resilience

arxiv url: http://arxiv.org/abs/2606.03523v1
Date: Tue, 02 Jun 2026 11:44:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:04.976918
Title: High-Precision APT Malware Attribution with Out-of-Scope Resilience
Title（参考訳）: Out-of-Scope Resilienceによる高精度APTマルウェアの寄与
Authors: Peter Williams, Adam Sobey, Erisa Karafili,
Abstract要約: そこで本稿では, 格付け二元分類器を用いた高精度なAPTマルウェア帰属手法を提案する。 APT Malware データセットと、スコープ外動作のストレステストを目的とした、より大きな組み合わせデータセットについて、本手法の評価を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Early attribution of Advanced Persistent Threat (APT) activity can help defenders prioritise investigation, select countermeasures, and reduce the impact of an intrusion. Malware provides useful attribution evidence, but automated APT malware attribution remains difficult in practice. Existing approaches are typically trained and evaluated as closed-set classifiers over a limited number of known APT groups. In operational environments, however, classifiers are likely to encounter samples from groups not represented during training. Closed-set classifiers are then forced to assign such samples to known groups, producing unsupported and potentially misleading attributions. We present a high-precision APT malware attribution method based on ranked binary classifiers with explicit abstention. Rather than training a single multi-class classifier, our approach trains and tunes two binary classifiers per APT group, ranks the classifiers by validation performance, and applies them sequentially. A sample is attributed only when a classifier provides sufficient evidence; otherwise, it abstains. We evaluate the method on the APT Malware dataset and on a larger combined dataset designed to stress-test out-of-scope behaviour. On the APT Malware dataset, the method achieves higher precision than previously published results on the same dataset. In the most challenging setting, where 87% of test samples came from 60 APT groups excluded from training, the method abstained on 94% of out-of-scope samples while maintaining 92% precision and 95% selective accuracy on the samples it classified.
Abstract（参考訳）: Advanced Persistent Threat (APT) 活動の早期帰属は、被告が調査を優先し、対策を選択し、侵入の影響を減らすのに役立つ。マルウェアは有益な帰属証拠を提供するが、自動化されたAPTマルウェア帰属は実際は困難である。既存のアプローチは通常、限られた数のAPTグループに対してクローズドセット分類器として訓練され評価される。しかし、運用環境では、分類器は訓練中に表現されていないグループのサンプルに遭遇する可能性が高い。その後、クローズドセットの分類器は、そのようなサンプルを既知のグループに割り当てざるを得なくなり、サポートされ、潜在的に誤った帰属が生じる。そこで本稿では, 格付け二元分類器を用いた高精度なAPTマルウェア帰属手法を提案する。 1つのマルチクラス分類器をトレーニングする代わりに、我々のアプローチは、APTグループごとに2つのバイナリ分類器を訓練し、調整し、検証性能で分類器をランク付けし、それらを順次適用する。サンプルは、分類器が十分な証拠を提供する場合にのみ属性付けされる。 APT Malware データセットと、スコープ外動作のストレステストを目的とした、より大きな組み合わせデータセットについて、本手法の評価を行った。 APT Malwareデータセットでは、同じデータセット上で以前公開された結果よりも高い精度を達成する。最も困難な環境では、60のAPTグループから87%のサンプルがトレーニングから除外され、この手法は94%のスコープ外サンプルを棄却し、92%の精度と95%の選別精度を維持した。

関連論文リスト

Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文参考訳（メタデータ） (2025-03-12T15:46:12Z)
Task-oriented Embedding Counts: Heuristic Clustering-driven Feature Fine-tuning for Whole Slide Image Classification [1.292108130501585]
本稿では,クラスタリング駆動型機能微調整法(HC-FT)を提案する。提案手法はCAMELYON16とBRACSの両方で評価され,それぞれ97.13%,85.85%のAUCが得られた。
論文参考訳（メタデータ） (2024-06-02T08:53:45Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection [48.30283806131551]
非常に少ないトレーニングサンプルを持つUADが、トレーニングデータセット全体のトレーニングパフォーマンスにすでに一致している - そして、場合によっては、それを超えることもある、ということが、私たちは示しています。そこで本研究では,UAD性能をさらに向上させるために,原型標本を確実に同定するための教師なし手法を提案する。
論文参考訳（メタデータ） (2023-12-06T15:30:47Z)
DE-CROP: Data-efficient Certified Robustness for Pretrained Classifiers [21.741026088202126]
そこで本研究では,いくつかのトレーニングサンプルを用いて,事前学習したモデルのロバスト性を証明する新しい手法を提案する。提案手法は,各トレーニングサンプルに対応するクラス境界および補間標本を生成する。複数のベンチマークデータセットのベースラインに対する大幅な改善と、課題のあるブラックボックス設定の下でも同様のパフォーマンスを報告しています。
論文参考訳（メタデータ） (2022-10-17T10:41:18Z)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
Does Adversarial Oversampling Help us? [10.210871872870737]
本稿では,データセットのクラス不均衡を処理するために,3人のプレイヤーによるゲームベースのエンドツーエンド手法を提案する。本稿では,敵対的マイノリティ・オーバーサンプリングではなく,敵対的オーバーサンプリング (AO) とデータ空間・オーバーサンプリング (DO) のアプローチを提案する。提案手法の有効性を高次元・高不均衡・大規模マルチクラスデータセットを用いて検証した。
論文参考訳（メタデータ） (2021-08-20T05:43:17Z)
Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文参考訳（メタデータ） (2021-06-11T01:36:08Z)
Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
敵対的なサポートセットを強調するための検出戦略を提案する。我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
論文参考訳（メタデータ） (2020-12-09T14:13:41Z)
ATRO: Adversarial Training with a Rejection Option [10.36668157679368]
本稿では, 逆例による性能劣化を軽減するために, 拒否オプション付き分類フレームワークを提案する。分類器と拒否関数を同時に適用することにより、テストデータポイントの分類に自信が不十分な場合に分類を控えることができる。
論文参考訳（メタデータ） (2020-10-24T14:05:03Z)

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。