論文の概要: A Hybrid Framework For Crypto-Ransomware Detection In Enterprise Shared Storage
- arxiv url: http://arxiv.org/abs/2606.30586v1
- Date: Mon, 29 Jun 2026 17:30:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.362125
- Title: A Hybrid Framework For Crypto-Ransomware Detection In Enterprise Shared Storage
- Title（参考訳）: 企業共有ストレージにおける暗号ランサムウェア検出のためのハイブリッドフレームワーク
- Abstract要約: 本稿では,統合ファイルサーバとクライアント環境内における暗号アンソムウェアの侵入を検出するためのハイブリッド検出フレームワークを提案する。
このフレームワークは、ネットワークトラフィックを分析し、IoC(Indicator of Compromise)を抽出する、Rerea of Interest(RoI)と呼ばれる新しい手法に基づいている。
我々の機械学習モジュールは、検出精度99.64%、偽陰性率0%、最小偽陽性率(FPR)を実現している。
- 参考スコア（独自算出の注目度）: 2.8547732086436306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most corporate workplace environments enforce policies and technical controls that limit the storage of sensitive data on client endpoints. Consequently, ransomware operators have evolved variants that expand their attack surface from local systems to network drives and shared storage resources. As traditional endpoint detection mechanisms focus primarily on local system behaviour, a compromised client can impact remote file servers, such as by encrypting shared data, without directly triggering behavioural changes on the servers themselves. In this paper, we propose a hybrid detection framework for detecting crypto-ransomware intrusion within integrated file server and client environments. The framework is based on a new technique referred to as Region of Interest (RoI) to analyse network traffic and extract Indicators of Compromise (IoCs). The IoC repository serves as an additional ruleset to enhance existing security tools such as EDRs and IDSs, while RoI-derived features are used to train an ML model to detect highly evasive variants. This study incorporates a broader set of ransomwares families and carefully selected benign behaviors based on domain expertise, ensuring coverage of common user actions that could interfere with ransomware detection. Beyond IoCs, which operate in a signature-based manner, our machine learning module achieves a detection precision of 99.64%, with a 0% false negative rate (FNR) and a minimal false positive rate (FPR). Furthermore, the proposed method enables early detection, identifying ransomware intrusions before significant damage occurs, achieving an accuracy of 99.44%.
- Abstract（参考訳）: ほとんどの企業職場環境は、クライアントエンドポイント上の機密データの保存を制限するポリシーと技術的な制御を強制します。
その結果、ランサムウェアオペレーターは、攻撃面をローカルシステムからネットワークドライブや共有ストレージリソースへと拡張する変種を進化させた。
従来のエンドポイント検出メカニズムは、主にローカルシステムの振る舞いに焦点を当てているため、妥協されたクライアントは、サーバ自体の動作変更を直接引き起こすことなく、共有データを暗号化するなどのリモートファイルサーバに影響を与える可能性がある。
本稿では,統合ファイルサーバとクライアント環境における暗号アンソムウェアの侵入を検出するためのハイブリッド検出フレームワークを提案する。
このフレームワークは、ネットワークトラフィックを分析し、IoC(Indicator of Compromise)を抽出する、Rerea of Interest(RoI)と呼ばれる新しい手法に基づいている。
IoCリポジトリは、EDDやIDSといった既存のセキュリティツールを強化するための追加のルールセットとして機能する。
本研究は、ランサムウェアファミリーのより広範なセットと、ドメインの専門知識に基づいて慎重に選択された良性行動を含み、ランサムウェア検出に干渉する一般的なユーザアクションのカバレッジを確保する。
署名ベースで動作するIoCの他に、我々の機械学習モジュールは99.64%の検出精度を達成し、0%の偽陰性率(FNR)と最小の偽陰性率(FPR)を達成している。
さらに,ランサムウェア侵入の早期検出が可能であり,被害発生前のランサムウェア侵入を同定し,99.44%の精度を実現する。
関連論文リスト
- ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems [56.613157564882925]
悪意のある行動は、一見良心的なツールに埋め込まれ、エージェントの実行を静かにハイジャックしたり、機密データをリークしたり、無許可のアクションをトリガーしたりする。
影響は拡大しているが、このような脅威を評価するための包括的なベンチマークは今のところ存在しない。
実ネットワークの相互作用を観測してサプライチェーン中毒を検出するネットワークレベルのガードレールフレームワークであるShieldNetを提案する。
論文 参考訳（メタデータ） (2026-04-06T05:15:00Z) - In-network Attack Detection with Federated Deep Learning in IoT Networks: Real Implementation and Analysis [8.042250872791344]
IoT(Internet of Things)とそのバックボーンネットワークとの統合は、セキュリティ侵害のリスクを高めている。
大量のデータを中央サーバに転送する必要がある従来の集中的な異常検出アプローチは、プライバシ、スケーラビリティ、レイテンシの制限に悩まされている。
本稿では,リソース制約のあるエッジデバイスへの展開を目的とした,軽量なオートエンコーダに基づく異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T05:46:28Z) - Federated Cyber Defense: Privacy-Preserving Ransomware Detection Across Distributed Systems [0.20878272814614088]
ハイパフォーマンスなAI検出器のトレーニングには、さまざまなデータセットが必要である。
中央集権化は、セキュリティ、プライバシー規制、データ所有の問題、組織間の共有に対する法的障壁などにより現実的ではないことが多い。
本稿では,複数の組織がランサムウェア検出モデルを協調的にトレーニングできるSherpa.ai FLプラットフォームを用いて,フェデレートラーニング(FL)の評価を行う。
論文 参考訳（メタデータ） (2025-11-03T13:54:13Z) - From See to Shield: ML-Assisted Fine-Grained Access Control for Visual Data [40.12543056558646]
本研究は,ポリシー駆動型アクセス制御を用いた信頼データ共有システムアーキテクチャを提案する。
提案アーキテクチャは、センシティブな領域の自動検出、ポスト補正、キー管理、アクセス制御を統合している。
提案システムでは,PSO検出を効果的に行い,マクロ平均F1スコア(5%)と平均平均精度(10%)を向上し,平均1秒未満の復号時間を維持している。
論文 参考訳（メタデータ） (2025-10-22T09:41:31Z) - CANDoSA: A Hardware Performance Counter-Based Intrusion Detection System for DoS Attacks on Automotive CAN bus [45.24207460381396]
本稿では,制御領域ネットワーク(CAN)環境向けに設計された新しい侵入検知システム(IDS)を提案する。
RISC-VベースのCAN受信機はgem5シミュレータを用いてシミュレートされ、AES-128暗号化によるCANフレームペイロードをFreeRTOSタスクとして処理する。
結果は、このアプローチがCANセキュリティを大幅に改善し、自動車サイバーセキュリティにおける新たな課題に対処する可能性があることを示唆している。
論文 参考訳（メタデータ） (2025-07-19T20:09:52Z) - DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。
この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。
本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-13T05:01:09Z) - CANTXSec: A Deterministic Intrusion Detection and Prevention System for CAN Bus Monitoring ECU Activations [53.036288487863786]
物理ECUアクティベーションに基づく最初の決定論的侵入検知・防止システムであるCANTXSecを提案する。
CANバスの古典的な攻撃を検知・防止し、文献では調査されていない高度な攻撃を検知する。
物理テストベッド上での解法の有効性を実証し,攻撃の両クラスにおいて100%検出精度を達成し,100%のFIAを防止した。
論文 参考訳（メタデータ） (2025-05-14T13:37:07Z) - A Collaborative Intrusion Detection System Using Snort IDS Nodes [0.0]
侵入検知システム(IDS)は、悪意のあるトラフィックや侵入されたデバイスからの脅威を検出し、応答することで、ネットワークの保護に不可欠である。
本稿では,オープンソースのネットワーク侵入検知システムであるSnortを利用した協調侵入検知システム(CIDS)を提案する。
提案アーキテクチャは,複数のSnort IDSノードを集中ノードに接続し,SIEM(Security Information and Event Management)プラットフォームと統合する。
論文 参考訳（メタデータ） (2025-04-23T09:25:52Z) - Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway [45.70482328441101]
本研究は,エッジにおけるネットワークの挙動を解析することにより,非必要IoTトラフィックを検出し緩和するシステムであるML-IoTrimを提案する。
当社のフレームワークは、IoTデバイスを5つのカテゴリから構成したコンシューマスマートホームセットアップでテストし、モデルが非本質的なトラフィックを正確に識別し、ブロックできることを実証した。
この研究は、スマートホームにおけるプライバシーに配慮したトラフィック制御を推進し、IoTデバイスプライバシの今後の発展への道を開く。
論文 参考訳（メタデータ） (2025-04-22T09:40:05Z) - SHIELD: Secure Host-Independent Extensible Logging for Tamper-Proof Detection and Real-Time Mitigation of Ransomware Threats [17.861324495723487]
低レベルのモニタリングとネットワークブロックデバイス(NBD)技術を活用して,ディスクアクティビティの連続観察のためのオフホスト,タンパー保護計測を行うメトリクス取得フレームワークShiELDを紹介した。
私たちは、ディスクアクションの頻度に基づいて集約された単純なメトリクスとともに、深い機能を採用しています。
コンセプションのデプロイでは、ランサムウェア検出後の悪質なディスク操作を最小限のファイル損失とメモリ破損で停止させることにより、これらのメトリクスでトレーニングされたモデルを用いてリアルタイムな緩和を実演する。
論文 参考訳（メタデータ） (2025-01-28T01:33:03Z) - CryptoFormalEval: Integrating LLMs and Formal Verification for Automated Cryptographic Protocol Vulnerability Detection [41.94295877935867]
我々は,新たな暗号プロトコルの脆弱性を自律的に識別する大規模言語モデルの能力を評価するためのベンチマークを導入する。
私たちは、新しい、欠陥のある通信プロトコルのデータセットを作成し、AIエージェントが発見した脆弱性を自動的に検証する方法を設計しました。
論文 参考訳（メタデータ） (2024-11-20T14:16:55Z) - Multi-stage Jamming Attacks Detection using Deep Learning Combined with
Kernelized Support Vector Machine in 5G Cloud Radio Access Networks [17.2528983535773]
本研究は5G C-RANにML-IDS(Multi-stage Machine Learning-based Intrusion Detection)を配置することに焦点を当てる。
一定のジャミング、ランダムジャミング、ジャミング、リアクティブジャミングの4種類のジャミング攻撃を検出し、分類することができる。
最終分類精度は94.51%で、偽陰性率は7.84%である。
論文 参考訳（メタデータ） (2020-04-13T17:21:45Z)
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。