論文の概要: ML-Powered LDAP Reconnaissance Detection using Weak Supervision

• arxiv url: http://arxiv.org/abs/2606.28917v1
• Date: Sat, 27 Jun 2026 13:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.729946
• Title: ML-Powered LDAP Reconnaissance Detection using Weak Supervision
• Title（参考訳）: 弱スーパービジョンを用いたML駆動LDAPリコネッサンス検出
• Abstract要約: Lightweight Directory Access Protocol (LDAP) は、ユーザがActive Directory (AD)データをクエリして変更できるプロトコルである。 デフォルトでは、すべてのユーザがすべてのADデータにアクセスでき、脅威アクターが最初にIDを侵害したときの偵察のための一般的な初期ツールになる。 我々は、悪意のあるクエリを予測するML分類器と、悪意のあるクエリシグネチャを抽出するMLベースのデータマイニング方法の2つの機械学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 23.104408608267054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lightweight Directory Access Protocol (LDAP) is a protocol that allows users to query and modify Active Directory (AD) data. By default, all users have read access to all AD data through LDAP, making it a common initial tool for reconnaissance when a threat actor first compromises an identity. To capture threat actors early in the reconnaissance phase, we developed two machine learning frameworks to detect LDAP reconnaissance: an ML classifier to predict malicious LDAP queries and an ML-based data-mining method to extract malicious query signatures. By correlating LDAP queries with endpoint detections, the first framework uses weak supervision to label a massive dataset and classify LDAP queries as malicious or benign. For immediate deployment, a second technique was developed on top of this approach to employ a rigorous statistical hypothesis-testing framework for mining novel, malicious LDAP signatures. While this weakly supervised approach is limited compared with manual human labeling, it is more practical for this use case because it leverages large-scale automated corpus construction, reducing costs and time. Ultimately, both the LDAP classifier and the ML-based LDAP signature mining method achieved performance benchmarks, with the classifier achieving up to a 65\% True Positive Rate (TPR) on the holdout set while limiting false positives, and mined signatures demonstrating 81.48\% field precision with CrowdStrike's Managed Detection and Response team.
• Abstract（参考訳）: Lightweight Directory Access Protocol (LDAP) は、ユーザがActive Directory (AD)データをクエリして変更できるプロトコルである。 デフォルトでは、すべてのユーザがLDAPを通じてすべてのADデータにアクセスすることができる。 そこで我々は,LDAP偵察を検知する2つの機械学習フレームワークを開発し,悪意のあるLDAPクエリを予測するためのML分類器と,悪意のあるクエリシグネチャを抽出するMLベースのデータマイニング手法を開発した。 LDAPクエリとエンドポイント検出を関連付けることで、第1のフレームワークは、弱い監視を使い、大量のデータセットをラベル付けし、LDAPクエリを悪意または良性として分類する。 即時展開のために,新たなLDAPシグネチャをマイニングするための厳密な統計的仮説テストフレームワークを採用するための2番目の手法を開発した。 この弱い教師付きアプローチは人手によるラベリングに比べて限定的であるが、大規模な自動コーパス構築を活用し、コストと時間を削減できるため、このユースケースではより実用的である。 最終的にLDAP分類器とMLベースのLDAPシグネチャマイニング法の両方が性能ベンチマークを達成し、この分類器は偽陽性を抑えながらホールトアウトセット上で65\%の正陽性率(TPR)を達成し、CrowdStrikeのManaged Detection and Responseチームと81.48\%のフィールド精度を示すシグネチャをマイニングした。

関連論文リスト

• LLM Detection as an Intervention: Downstream Impact under Strategic User Behavior [53.63441578662801]
  インタクタは、検出された属性自身だけでなく、LLM使用率や出力品質などの下流メトリクスを操縦する介入として動作する。 我々は,LLMの使用量を戦略的に選択し,コンテンツ後処理によって検出された属性を減らし,その特性を定量的に把握するスタイリングモデルを開発した。 検出された属性を低減しても出力品質は向上するが,LDM検出器を導入することで,ユーザは低品質の出力が得られる。
  論文  参考訳（メタデータ） (2026-07-21T17:11:02Z)
• DoMIX: An Efficient Framework for Exploiting Domain Knowledge in Fine-Tuning [15.985923682239358]
  ドメイン適応型事前学習(DAP)は、最近、微調整型事前学習モデルの有効性について注目されている。 既存の連続DAPメソッドにはいくつかの制限がある。 LoRAモジュールを活用することでこれらの課題に対処する新しいアプローチであるDomixを提案する。
  論文  参考訳（メタデータ） (2025-07-03T04:13:01Z)
• LML-DAP: Language Model Learning a Dataset for Data-Augmented Prediction [0.0]
  本稿では,Large Language Models (LLMs) を用いた説明可能な手法によるタスク分類手法を提案する。 分類は、データを手動で探索し、理解して分類を決定する人間に類似した手法を用いて、LLMによって行われる。 システムはいくつかのテストケースで90%以上の精度を記録し、さまざまなシナリオで機械学習モデルを上回る性能と可能性を確認した。
  論文  参考訳（メタデータ） (2024-09-27T17:58:50Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
  LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。 LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。 LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
  論文  参考訳（メタデータ） (2024-08-11T02:31:13Z)
• BPO: Staying Close to the Behavior LLM Creates Better Online LLM Alignment [64.39433316922148]
  選好からの直接アライメント(DAP)は、事前コンパイルされたオフライン選好データセットからヒトデシダラタに大型言語モデル(LLM)をアライメントするための有望なパラダイムとして登場した。 オンライントレーニングのパワーをフル活用するために、特定のオンラインDAPアルゴリズムを開発する必要性を強調します。
  論文  参考訳（メタデータ） (2024-06-18T00:41:40Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• Direct Language Model Alignment from Online AI Feedback [78.40436231613754]
  嗜好からの直接アライメント(DAP)手法は、人間フィードバックからの強化学習(RLHF)の効果的な代替手段として最近登場した。 本研究では,オンラインフィードバックが鍵であり,DAP法の改善を図っている。 オンラインAIフィードバック(OAIF)はLLMをアノテータとして使用し、トレーニング毎に現在のモデルから2つのレスポンスをサンプリングし、LLMアノテータにどちらが好まれるかを選択し、オンラインフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-07T12:31:13Z)
• DAP: Detection-Aware Pre-training with Weak Supervision [37.336674323981285]
  本稿では,オブジェクト検出タスクに対する検出認識事前学習(DAP)アプローチを提案する。 分類データセットをクラスアクティベーションマップに基づく弱教師付きオブジェクトローカライズ手法により検出データセットに変換する。 VOCやCOCOなどの下流検出タスクにおいて,サンプル効率と収束速度の両面で,DAPが従来の事前学習よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-30T19:48:30Z)

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。