論文の概要: Decoys Cannot Go Everywhere: Mapping the Deception Surface in MITRE ATT&CK

• arxiv url: http://arxiv.org/abs/2606.27966v1
• Date: Fri, 26 Jun 2026 11:11:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.472949
• Title: Decoys Cannot Go Everywhere: Mapping the Deception Surface in MITRE ATT&CK
• Title（参考訳）: MITRE ATT&CKの偽物表面のマッピング
• Abstract要約: サイバー詐欺の研究は、攻撃行動のある場所にデコイを置くことができると仮定することが多い。 本稿では,インフラストラクチャ偽装のための4基準ルーブリックを導入し,全250のATT&CK技術に適用する。 デコイは、通常有用な知能を持つが、攻撃者がそれらと全く相互作用するかどうか、その相互作用が確実に悪意を示すかどうかは、どちらも異なる。
• 参考スコア（独自算出の注目度）: 4.770323346263174
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cyber deception research often assumes that a decoy can be placed wherever there is attacker behavior. This work tests that assumption across MITRE ATT&CK v18.1. We introduce a four-criterion rubric for infrastructure deception and apply it to all 250 ATT&CK techniques. The rubric evaluates whether a defender-controlled decoy can be placed, whether an attacker is likely to interact with it, what intelligence that interaction can yield, and whether the interaction reliably indicates malice. The resulting deception surface is sparse: only 80 techniques (32%) admit a decoy the attacker could plausibly reach. For the remaining 170 techniques, there is no defender-controlled asset in the attacker's path that can be fabricated as a decoy. Decoy placement across those 80 techniques falls into two patterns we call Sweep and Seek. In Sweep, the attacker moves broadly through assets in range and encounters the decoy as part of that activity. In Seek, the attacker looks for a specific kind of asset and interacts with a fabricated version of it. These patterns give a simple placement rule: a decoy must either sit on a sweep path or imitate a sought asset. We also show that decoys usually have useful intelligence potential, but whether an attacker interacts with them at all, and whether that interaction reliably indicates malice, both vary. We release the rubric, decision rules, and per-technique assessment as an auditable baseline for future deception research and deployment planning, and show that infrastructure decoys cannot be assumed to apply to all attacker behavior.
• Abstract（参考訳）: サイバー詐欺の研究は、攻撃行動のある場所にデコイを置くことができると仮定することが多い。 この研究はMITRE ATT&CK v18.1でその仮定を検証した。 本稿では,インフラストラクチャ偽装のための4基準ルーブリックを導入し,全250のATT&CK技術に適用する。 ルーブリックは、ディフェンダーが制御するデコイを配置できるかどうか、攻撃者がそれと相互作用する可能性、相互作用が生成できる知性、そして相互作用が確実に悪意を示すかどうかを評価する。 80の技術(32%)だけが攻撃者が確実に到達できるデコイを認めた。 残りの170のテクニックでは、攻撃者のパスにデコイとして製造できるディフェンダー制御の資産は存在しない。 これら80のテクニックのデコイ配置は、SweepとSeekという2つのパターンに分類されます。 スウィープでは、攻撃者は範囲の資産を広範囲に移動し、その活動の一部としてデコイに遭遇する。 Seekでは、攻撃者は特定の種類の資産を探し、その製造されたバージョンと対話する。 これらのパターンは単純な配置ルールを与え、デコイはスイープパスに座るか、探した資産を模倣しなければならない。 また、デコイは、通常有用な知能を持つが、攻撃者がそれらと全く相互作用するかどうか、その相互作用が悪意を確実に示すかどうかは、それぞれ異なる。 我々は,今後の詐欺研究と展開計画のための監査可能なベースラインとして,ルーリック,決定ルール,技術毎の評価を公開し,すべての攻撃行動に適用できないことを示す。

関連論文リスト

• Adversarial Decoys: Misdirecting Attention-Based Defenses in ViT [3.723585565253798]
  本稿では, 対向デコイ, 独立に最適化された画像パッチを導入し, 注意点とそれに関連する防御点を選択された目標トークンにリダイレクトする。 層ワイドの目的は、ターゲットの注意を増し、これらのトークンを競合する非ターゲットのトークンよりも促進する。 ImageNetの実験によると、デコイは攻撃の有効性の多くを保ちながら、真の敵領域から高い注意点をリダイレクトすることができる。
  論文  参考訳（メタデータ） (2026-07-08T21:08:57Z)
• Through the Stealth Lens: Rethinking Attacks and Defenses in RAG [21.420202472493425]
  RevalVariRAGシステムは, 汚職率の低い場合でも, 有害な侵入に対して脆弱であることを示す。 我々は、低レートでも攻撃が信頼できるように設計されていないことを示し、検出と緩和を可能にしている。
  論文  参考訳（メタデータ） (2025-06-04T19:15:09Z)
• Mind the Gap: Detecting Black-box Adversarial Attacks in the Making through Query Update Analysis [3.795071937009966]
  アドリアックは機械学習(ML)モデルの整合性を損なう可能性がある。 本稿では,逆ノイズインスタンスが生成されているかどうかを検出するフレームワークを提案する。 適応攻撃を含む8つの最先端攻撃に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2025-03-04T20:25:12Z)
• A Proactive Decoy Selection Scheme for Cyber Deception using MITRE ATT&CK [0.9831489366502301]
  サイバー詐欺は、攻撃者の戦術、技術、手順(TTP)に対する守備隊の遅さを補うことができる。 本研究では,実世界の攻撃者の経験的観察に基づく敵モデルにより支援されたデコイ選択方式を設計する。 その結果,提案手法は最小のデコイを用いた攻撃経路のインターセプション率が最も高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-19T10:45:05Z)
• Understanding the Vulnerability of Skeleton-based Human Activity Recognition via Black-box Attack [53.032801921915436]
  HAR(Human Activity Recognition)は、自動運転車など、幅広い用途に採用されている。 近年,敵対的攻撃に対する脆弱性から,骨格型HAR法の堅牢性に疑問が呈されている。 攻撃者がモデルの入出力しかアクセスできない場合でも、そのような脅威が存在することを示す。 BASARと呼ばれる骨格をベースとしたHARにおいて,最初のブラックボックス攻撃手法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T09:51:28Z)
• Fact-Saboteurs: A Taxonomy of Evidence Manipulation Attacks against Fact-Verification Systems [80.3811072650087]
  証拠のクレームサレントスニペットを微調整し,多様かつクレームアラインな証拠を生成することが可能であることを示す。 この攻撃は、主張のポストホックな修正に対しても堅牢である。 これらの攻撃は、インスペクタブルとヒューマン・イン・ザ・ループの使用シナリオに有害な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2022-09-07T13:39:24Z)
• Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
  エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。 既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。 以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
  論文  参考訳（メタデータ） (2022-07-20T19:49:09Z)
• Zero-Query Transfer Attacks on Context-Aware Object Detectors [95.18656036716972]
  敵は、ディープニューラルネットワークが誤った分類結果を生成するような摂動画像を攻撃する。 自然の多目的シーンに対する敵対的攻撃を防御するための有望なアプローチは、文脈整合性チェックを課すことである。 本稿では,コンテキスト整合性チェックを回避可能な,コンテキスト整合性攻撃を生成するための最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-29T04:33:06Z)
• Poison Ink: Robust and Invisible Backdoor Attack [122.49388230821654]
  我々はポゾン・インクと呼ばれる頑丈で目に見えないバックドア攻撃を提案する。 具体的には、まず、画像構造を標的の中毒領域として利用し、それらを毒インク(情報)で満たしてトリガーパターンを生成する。 既存の一般的なバックドア攻撃方法と比較して、Poison Inkはステルスネスとロバストネスの両方で優れている。
  論文  参考訳（メタデータ） (2021-08-05T09:52:49Z)
• We Can Always Catch You: Detecting Adversarial Patched Objects WITH or WITHOUT Signature [3.5272597442284104]
  本稿では,オブジェクト検出に対する逆パッチ攻撃の検知問題について検討する。 高速シグネチャベース防御法を提案し,有効であることが実証された。 新たに生成された敵パッチは、提案されたシグネチャベースの防御を回避できる。 本稿では,内部コンテンツセマンティクスの整合性に基づく署名に依存しない新しい検出手法を提案する。
  論文  参考訳（メタデータ） (2021-06-09T17:58:08Z)
• RayS: A Ray Searching Method for Hard-label Adversarial Attack [99.72117609513589]
  我々は、レイサーチ攻撃(RayS)を提案し、これはハードラベル攻撃の有効性と効率を大幅に改善する。 モデルの正当性チェックとしても使用できる。
  論文  参考訳（メタデータ） (2020-06-23T07:01:50Z)
• AdvMind: Inferring Adversary Intent of Black-Box Attacks [66.19339307119232]
  本稿では,ブラックボックス攻撃の敵意を頑健に推定する新たな評価モデルであるAdvMindを提案する。 平均的なAdvMindは、3回未満のクエリバッチを観察した後、75%以上の精度で敵の意図を検出する。
  論文  参考訳（メタデータ） (2020-06-16T22:04:31Z)

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。