論文の概要: Towards Improved Anomaly Detection for Cloud Cybersecurity via Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.28923v1
• Date: Sat, 27 Jun 2026 13:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.730854
• Title: Towards Improved Anomaly Detection for Cloud Cybersecurity via Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによるクラウドサイバーセキュリティの異常検出の改善に向けて
• Abstract要約: 本稿では,AWS CloudTrailログに適用したグラフニューラルネットワークを用いた自己教師型学習手法の産業ケーススタディを提案する。 提案したモデルでは,ほぼすべてのケースにおいて,ドメインエキスパートのルールベースのベースラインよりも警告が大幅に少なかった。
• 参考スコア（独自算出の注目度）: 27.825233895068255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting security threats in an organization's cloud computing environment has become necessary due to the increased reliance on cloud infrastructure. Logging of all cloud computing events enables investigation into any incidents after they are detected. Automated detection of threats using the logs based on heuristics or anomaly detection could result in a high false positive rate due to its relatively static nature. In this article, we present an industrial case study of a self-supervised learning method using graph neural networks applied to AWS CloudTrail logs to surface suspicious events for analyst review. The model produces an anomaly score for each event and dynamically adapts to changes in the organization without requiring periodic retraining. Based on our experiments across five organizations, the proposed model produced substantially fewer alerts than a domain expert rule-based baseline in almost all cases, reducing alert volumes to approximately 1 per hour from thousands generated by traditional methods. We note that this evaluation covers only flagged events, and false negatives cannot be estimated from the current data; findings should therefore be interpreted as a practical deployment study offering insights into real-world constraints rather than a fully validated detection system. We discuss these limitations and the requirements for extending the approach to other cloud environments as future work.
• Abstract（参考訳）: クラウドコンピューティング環境におけるセキュリティの脅威を検出するには、クラウドインフラストラクチャへの依存度が高まっているため、必要なものになっている。 すべてのクラウドコンピューティングイベントのログは、検出後のインシデントの調査を可能にする。 ヒューリスティックスや異常検出に基づくログによる脅威の自動検出は、比較的静的な性質のため、高い偽陽性率をもたらす可能性がある。 本稿では,AWS CloudTrailログに適用したグラフニューラルネットワークを用いた自己教師型学習手法の産業ケーススタディとして,アナリストレビューのための疑わしいイベントを探索する。 モデルはイベント毎に異常スコアを生成し、定期的な再トレーニングを必要とせずに組織の変化に動的に適応する。 提案したモデルは,5つの組織を対象とした実験に基づいて,ほぼすべてのケースにおいて,ドメインエキスパートのルールベースのベースラインよりもはるかに少ないアラートを生成しました。 この評価はフラグ付きイベントのみを対象としており、現在のデータから偽陰性を推定することは不可能である。 今後の作業として、これらの制限と、アプローチを他のクラウド環境に拡張するための要件について論じる。

関連論文リスト

• X-WAD: eXplainable Web Anomaly Detection [0.0]
  現代の防衛は、通常のデータのみに基づいて訓練された半教師付きアプローチに頼って、通常の行動をモデル化する傾向が強まっている。 本稿では,Transformer-based Language Models (TLM) によるHTTP要求の異常検出の有効性について検討する。
  論文  参考訳（メタデータ） (2026-08-27T14:23:01Z)
• Graph Neural Network Based Adaptive Threat Detection for Cloud Identity and Access Management Logs [0.0]
  本稿では,グラフニューラルネットワークを用いたアダプティブ脅威検出フレームワークを提案する。 IAM監査パスから潜伏したユーザリソースのインタラクションパターンをリアルタイムで学習する。
  論文  参考訳（メタデータ） (2025-12-11T04:44:02Z)
• Reducing False Positives with Active Behavioral Analysis for Cloud Security [2.4631419586608225]
  ルールベースのクラウドセキュリティ姿勢管理(CSPM)ソリューションは、多くの偽陽性を生み出すことが知られている。 本稿では,クラウドセキュリティ姿勢管理ソリューションにおけるアクティブな行動テストを統合し,ポリシー違反の悪用性をリアルタイムで評価する検証駆動手法を提案する。
  論文  参考訳（メタデータ） (2025-08-18T02:39:02Z)
• Few-Shot Learning-Based Cyber Incident Detection with Augmented Context Intelligence [2.036740192779817]
  本稿では,データコンテキストインテリジェンスを改良した,数発の学習に基づく攻撃検出を提案する。 我々は,現実的な攻撃時のオペレーティングシステムの動作データを収集し,システムイベントを記述するための革新的なセミオティックス抽出手法を活用する。
  論文  参考訳（メタデータ） (2025-06-19T21:53:02Z)
• Cloudy with a Chance of Anomalies: Dynamic Graph Neural Network for Early Detection of Cloud Services' User Anomalies [9.035212370386846]
  本稿では,クラウドサービスグラフに基づく異常検出 (CS-GAD) のための,先駆的な時間ベースの埋め込み手法を提案する。 本手法では動的三部グラフ表現を用いて,クラウドサービス,ユーザ,それらの活動間の相互作用を時間とともにカプセル化する。 その結果,有望な方法に比べて偽陽性率(2-9%)が顕著に低下し,真陽性率(100%)が低下した。
  論文  参考訳（メタデータ） (2024-09-19T12:50:31Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• 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)
• Zero Day Threat Detection Using Graph and Flow Based Security Telemetry [3.3029515721630855]
  Zero Day Threats (ZDT) は、悪意あるアクターが情報技術(IT)ネットワークやインフラを攻撃・利用するための新しい手法である。 本稿では,ゼロデイ脅威検出に対するディープラーニングに基づくアプローチを導入し,リアルタイムに脅威を一般化し,スケールし,効果的に識別する。
  論文  参考訳（メタデータ） (2022-05-04T19:30:48Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
  クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。 システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-23T09:17:05Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。