論文の概要: FuseChain: Runtime Evidence Reconstruction for Software Supply-Chain Attacks

• arxiv url: http://arxiv.org/abs/2606.15811v1
• Date: Sun, 14 Jun 2026 13:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.866688
• Title: FuseChain: Runtime Evidence Reconstruction for Software Supply-Chain Attacks
• Title（参考訳）: FuseChain: ソフトウェアサプライチェーン攻撃のランタイムエビデンス再構築
• Abstract要約: ソフトウェアサプライチェーン(SSC)攻撃は、ますます多段階、クロスソース、一時的な分散化が進んでいる。 FUSECHAINは、マルチソースソフトウェアサプライチェーンテレメトリを、統合されたイベント時軸上の時間的異種グラフとして表現している。
• 参考スコア（独自算出の注目度）: 3.6426165164108206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software supply-chain (SSC) attacks are increasingly multi-stage, cross-source, and temporally distributed. A single attack campaign may leave weak and fragmented traces across multi-source telemetry that captures different granularities and perspectives of runtime behavior. Existing runtime detection systems often analyze these sources independently, making it difficult to identify low-frequency attack evidence or reconstruct the temporal context in which it appears. We present FUSECHAIN, a runtime detection framework that represents multi-source software supply-chain telemetry as a temporal heterogeneous provenance graph over a unified event-time axis. By aligning package/runtime traces, process events, network telemetry, DNS/HTTP metadata, and security alerts on a unified temporal graph, FuseChain captures cross-source dependencies and sparse attack evidence that may be ambiguous within any individual source. It learns anomaly-centric temporal representations from benign-prefix telemetry and performs deployable attack-stage reconstruction through a lightweight decoder on top of a frozen anomaly backbone. Our experiments show that jointly optimizing anomaly detection and stage prediction is ineffective under sparse and imbalanced runtime supply-chain telemetry. Across seven SSC attack scenarios, FuseChain improves deployable stage reconstruction from 0.369 to 0.881 Stage Recall@500 with a frozen-backbone decoder, while adaptive retrieval further increases observable-stage recall from 0.524 to 0.655 without modifying the detector. These results highlight the deployable value of decoupling runtime SSC anomaly detection from downstream attack-stage interpretation.
• Abstract（参考訳）: ソフトウェアサプライチェーン(SSC)攻撃は、ますます多段階、クロスソース、一時的な分散化が進んでいる。 単一の攻撃キャンペーンは、さまざまな粒度とランタイム動作の視点をキャプチャするマルチソーステレメトリに、弱く断片化されたトレースを残す可能性がある。 既存のランタイム検出システムは、しばしばこれらのソースを独立して解析するので、低周波攻撃の証拠を特定したり、それが現れる時間的文脈を再構築することは困難である。 本稿では,マルチソースソフトウェアサプライチェーンテレメトリをイベント時間軸上での時間的ヘテロジニアス前駆体グラフとして表現する実行時検出フレームワークFUSECHAINを提案する。 パッケージ/ランタイムトレース、プロセスイベント、ネットワークテレメトリ、DNS/HTTPメタデータ、セキュリティアラートを統一された時間グラフにアライメントすることで、FuseChainは、ソース間の依存関係をキャプチャし、個々のソースであいまいな攻撃証拠を分離する。 良性前置テレメトリーから異常中心の時間表現を学習し、凍結した異常バックボーンの上に軽量デコーダを通じて展開可能な攻撃ステージ再構築を行う。 本実験は, 異常検出とステージ予測を協調的に最適化することは, スパースおよびアンバランスな実行時サプライチェーンテレメトリの下では有効でないことを示す。 7つのSSC攻撃シナリオで、FuseChainはフリーズバックボーンデコーダで0.369から0.881ステージのRecall@500へのデプロイ可能なステージ再構築を改善し、適応型検索は検出器を変更することなく0.524から0.5655までの観測可能なステージリコールをさらに増加させた。 これらの結果は、ダウンストリーム攻撃ステージ解釈からのSSC異常検出のデカップリング実行時のデプロイ可能な価値を強調している。

関連論文リスト

• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• Evaluating Temporal and Structural Anomaly Detection Paradigms for DDoS Traffic [0.046603287532620725]
  監視されていない異常検出は、クラウドネイティブな5GネットワークにおけるDistributed Denial-of-Service(DDoS)攻撃を検出するために広く使用されている。 ほとんどの研究は、どの特徴空間がデータに最も合うかを検証することなく、時間的または構造的な固定されたトラフィック表現を仮定する。 本稿では,2つの診断手法を用いて,時間的・構造的特徴を優先する軽量な意思決定フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T12:59:48Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Frame-to-Utterance Convergence: A Spectra-Temporal Approach for Unified Spoofing Detection [6.713879688002623]
  既存のアンチ・スプーフィング法は、しばしば合成攻撃やリプレイ攻撃のような特定の攻撃タイプをシミュレートする。 現在の統合されたソリューションは、偽造品を検出するのに苦労している。 フレームレベルおよび発話レベル係数を利用したスペクトル時間融合を提案する。
  論文  参考訳（メタデータ） (2023-09-18T14:54:42Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。