論文の概要: LLM: LSTM Look-Ahead Moving Target Defense Based on Historical Malicious Scan

• arxiv url: http://arxiv.org/abs/2606.15229v1
• Date: Sat, 13 Jun 2026 09:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.066157
• Title: LLM: LSTM Look-Ahead Moving Target Defense Based on Historical Malicious Scan
• Title（参考訳）: LLM: LSTMのLook-Ahead移動目標防衛
• Authors: Yu Li,
• Abstract要約: IPシャッフルに基づく移動目標防衛(MTD)は、偵察活動に対抗するための積極的な防衛戦略として現れている。 LSTMルックアヘッド移動目標防衛(LLM)を提案する。 我々のアプローチは、攻撃者がスキャンする可能性のある将来のターゲットアドレスを予測するために、Long Short-Term Memory (LSTM)ネットワークを使った最初の試みである。
• 参考スコア（独自算出の注目度）: 6.891399505156009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network scanning is a critical preliminary step for most adversaries to gain essential information before launching cyber attacks. Moving Target Defense (MTD) based on IP shuffling has emerged as a proactive defense strategy to counteract these reconnaissance efforts. Unlike static, reactive defense techniques, IP shuffling introduces randomness by dynamically reassigning network addresses, making it more challenging for attackers to identify and track targets. However, current IP shuffling methods face three key challenges: 1) limited scalability across different network topologies, 2) inherent reconfiguration overhead even in the absence of an active attack, and 3) the need for large-scale unused address blocks. To address these issues, we propose LSTM Look-ahead Moving Target Defense (LLM). Our approach is the first attempt using a Long Short-Term Memory (LSTM) network to predict future target addresses that attackers will likely scan. Ensemble learning is used to improve robustness to different scanning behaviors. We introduce a dynamic mutation mechanism to enhance adaptability. Compared to the baseline mutation strategy, LLM performs better in both security and overhead.
• Abstract（参考訳）: ネットワークスキャンは、ほとんどの敵がサイバー攻撃を開始する前に重要な情報を得るための重要な予備ステップである。 IPシャッフルに基づく移動目標防衛(MTD)は、これらの偵察活動に対抗するための積極的な防衛戦略として現れている。 静的でリアクティブな防御手法とは異なり、IPシャッフルはネットワークアドレスを動的に再割り当てすることでランダム性を導入し、攻撃者がターゲットを特定し追跡することがより困難になる。 しかし、現在のIPシャッフル方式は3つの大きな課題に直面している。 1) 異なるネットワークトポロジにおけるスケーラビリティの制限。 2 アクティブアタックがない場合であっても、固有の再設定オーバーヘッド 3) 大規模な未使用アドレスブロックの必要性。 これらの問題に対処するため、LSTM Look-ahead moving Target Defense (LLM)を提案する。 我々のアプローチは、攻撃者がスキャンする可能性のある将来のターゲットアドレスを予測するために、Long Short-Term Memory (LSTM)ネットワークを使った最初の試みである。 アンサンブル学習は、異なるスキャン行動に対する堅牢性を改善するために使用される。 適応性を高めるために動的突然変異機構を導入する。 ベースラインの突然変異戦略と比較して、LLMはセキュリティとオーバーヘッドの両方において優れた性能を発揮する。

関連論文リスト

• RogueMerge: Robust and Unified Attacks against LLM Model Merging [16.43903795600829]
  RogueMergeは、モデルマージ攻撃のための原則化された統一されたフレームワークである。 4つの脅威にまたがって、既存の攻撃を継続的に上回ります。 様々な統合設定で安定し、標準的な防御に抵抗する。
  論文  参考訳（メタデータ） (2026-06-02T08:54:37Z)
• Enhancing Network Intrusion Detection Systems: A Multi-Layer Ensemble Approach to Mitigate Adversarial Attacks [10.849171172103198]
  敵対的な例は、機械学習(ML)アルゴリズムに対する深刻な脅威を表している。 本研究では,ネットワーク侵入検知システムのロバスト性を高めることにより,そのようなリスクを軽減することを目的とする。
  論文  参考訳（メタデータ） (2026-03-11T04:53:48Z)
• MTAttack: Multi-Target Backdoor Attacks against Large Vision-Language Models [52.37749859972453]
  我々は,LVLMにおける複数のトリガターゲットマッピングを正確に行うための,最初のマルチターゲットバックドアアタックフレームワークであるMTAttackを提案する。 人気のあるベンチマークの実験では、マルチターゲット攻撃に対するMTAttackの成功率が高いことが示されている。 我々の攻撃は、データセット間での強力な一般化性と、バックドア防衛戦略に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2025-11-13T09:00:21Z)
• Searching for Privacy Risks in LLM Agents via Simulation [61.229785851581504]
  本稿では,プライバシクリティカルなエージェントインタラクションのシミュレーションを通じて,攻撃と防御戦略の改善を交互に行う検索ベースのフレームワークを提案する。 攻撃戦略は、直接の要求から、不正行為や同意偽造といった高度な戦術へとエスカレートする。 発見された攻撃と防御は、さまざまなシナリオやバックボーンモデルにまたがって伝達され、プライバシーに配慮したエージェントを構築するための強力な実用性を示している。
  論文  参考訳（メタデータ） (2025-08-14T17:49:09Z)
• Input-Specific and Universal Adversarial Attack Generation for Spiking Neural Networks in the Spiking Domain [0.0]
  敵の攻撃は、ネットワークの判断を騙すための微妙な入力摂動を見つけることを目的としている。 スパイキングニューラルネットワーク(SNN)に対する2つの新しい逆攻撃アルゴリズムを提案する。 NMNISTとIBM DVS Gestureという2つの広く使われているニューロモルフィック・ビジョン・データセットの実験結果から、提案した攻撃が既存のすべての最先端手法を超越していることが判明した。
  論文  参考訳（メタデータ） (2025-05-07T19:49:18Z)
• Baseline Defenses for Adversarial Attacks Against Aligned Language Models [109.75753454188705]
  最近の研究は、テキストのモデレーションが防御をバイパスするジェイルブレイクのプロンプトを生み出すことを示している。 検出(複雑度に基づく)、入力前処理(言い換えと再帰化)、対人訓練の3種類の防衛について検討する。 テキストに対する既存の離散化の弱点と比較的高いコストの最適化が組み合わさって、標準適応攻撃をより困難にしていることがわかった。
  論文  参考訳（メタデータ） (2023-09-01T17:59:44Z)
• Versatile Weight Attack via Flipping Limited Bits [68.45224286690932]
  本研究では,展開段階におけるモデルパラメータを変更する新たな攻撃パラダイムについて検討する。 有効性とステルスネスの目標を考慮し、ビットフリップに基づく重み攻撃を行うための一般的な定式化を提供する。 SSA(Single sample attack)とTSA(Singr sample attack)の2例を報告した。
  論文  参考訳（メタデータ） (2022-07-25T03:24:58Z)
• NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
  ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。 我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
  論文  参考訳（メタデータ） (2022-02-20T17:41:02Z)
• Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
  ネットワーク分類器に対するブラックボックス攻撃について検討する。 我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。 攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
  論文  参考訳（メタデータ） (2021-11-23T23:42:16Z)
• Breaking the Deadly Triad with a Target Network [80.82586530205776]
  致命的な三脚とは、政治以外の学習、関数近似、ブートストラップを同時に使用するときの強化学習アルゴリズムの不安定性を指す。 我々は,二段階最適化を使わずに,非制限的かつ変化的な動作ポリシーの下で,最初の収束線形$Q$-learningアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-01-21T21:50:10Z)

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。