論文の概要: SA-DRL: Security-Aware Deep Reinforcement Learning for Ransomware Detection with Asymmetric Reward Design

• arxiv url: http://arxiv.org/abs/2607.06880v1
• Date: Wed, 08 Jul 2026 00:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.242702
• Title: SA-DRL: Security-Aware Deep Reinforcement Learning for Ransomware Detection with Asymmetric Reward Design
• Title（参考訳）: SA-DRL:非対称リワード設計によるランサムウェア検出のためのセキュリティ対応深層強化学習
• Abstract要約: 本研究では,偽陰性・偽陽性のコスト非対称性を強化学習報酬信号に組み込むセキュリティ対応深層強化学習フレームワークを提案する。 対称ベースライン報酬(R1)とセキュリティ対応非対称報酬(R2)を用いて、4つの深層強化学習エージェントの評価を行った。 その結果,非対称な報酬形成により,セキュリティ指向の検出性能が向上した。
• 参考スコア（独自算出の注目度）: 1.8024397171920885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ransomware detection is a security-critical task in which false negatives and false positives have unequal operational consequences. Conventional machine learning detectors often use symmetric objectives that penalize missed ransomware detections and benign false alarms equally, although a false negative can cause irreversible encryption, operational disruption, and high recovery cost, whereas a false positive is usually reversible. This study proposes a Security-Aware Deep Reinforcement Learning (SA-DRL) framework that embeds false-negative and false-positive cost asymmetry into the reinforcement learning reward signal to prioritize missed-detection reduction. The framework also introduces a Security-Optimal Model Selection (SOMS) criterion and an adaptive episode-level sample-ordering mechanism. Four deep reinforcement learning agents, DQN, DDQN, PPO, and A2C, were evaluated using a symmetric baseline reward (R1) and a security-aware asymmetric reward (R2). Experiments used four discount factors, five-fold cross-validation, and three random seeds, resulting in 480 training runs on a balanced ransomware detection dataset. The SOMS criterion selects models by prioritizing false-negative rate, followed by F1-score and training time. Results show that asymmetric reward shaping improves security-oriented detection performance. The SOMS-selected configuration, DDQN with R2 and gamma = 0.1, achieved a false-negative rate of 0.0080, an F1-score of 0.9915, and an AUC of 0.998, reducing missed detections by 67.6% compared with the best supervised baseline. Across all configurations, R2 reduced the mean false-negative rate by 43% relative to R1. These findings show that reward-function design is important for security-sensitive ransomware detection.
• Abstract（参考訳）: ランサムウェア検出(英: Ransomware detection)は、偽陰性および偽陽性が不平等な運用結果をもたらすセキュリティクリティカルなタスクである。 従来の機械学習検出器では、ミスしたランサムウェア検出や誤報を等しく無視する対称的な目的を用いることが多いが、偽陰性は不可逆的な暗号化、運用上の障害、高い回復コストを引き起こす可能性がある。 本研究では,偽陰性かつ偽陽性なコスト非対称性を強化学習報酬信号に組み込んだSA-DRL(Security-Aware Deep Reinforcement Learning)フレームワークを提案する。 このフレームワークには、Security-Optimal Model Selection (SOMS)の基準と、適応型エピソードレベルのサンプル順序付け機構が導入されている。 DQN,DDQN,PPO,A2Cの4種類の強化学習剤を対称ベースライン報酬(R1)とセキュリティ対応非対称報酬(R2)を用いて評価した。 実験では、4つの割引要因、5倍のクロスバリデーション、3つのランダムシードを使用して、バランスの取れたランサムウェア検出データセット上で480のトレーニングを実行した。 SOMS基準は、偽陰性率を優先順位付けし、F1スコアとトレーニング時間でモデルを選択する。 その結果,非対称な報酬形成により,セキュリティ指向の検出性能が向上した。 SOMSが選択した構成であるDDQNはR2とガンマ = 0.1で、偽陰性率は0.0080、F1スコアは0.9915、AUCは0.998となり、最高の教師付きベースラインに比べて67.6%低下した。 すべての構成において、R2は平均偽陰性率をR1に対して43%削減した。 これらの結果から,セキュリティに敏感なランサムウェア検出には報酬関数設計が重要であることが示唆された。

関連論文リスト

• Auditable Machine Unlearning for Privacy-Compliant Ransomware Detection Using Multi-Shard SISA and Deep Reinforcement Learning [1.8024397171920885]
  マルチシャードSISA再学習と深層強化学習を統合した,監査可能なランサムウェア検出およびアンラーニングフレームワークを提案する。 提案システムでは,非対称なセキュリティコスト下での行動特徴から報酬誘導検出ポリシーを学習する。 シングルシャード・アンラーニングは最小限のユーティリティ劣化と低いオラクルの不一致を維持しているのに対し、適度なシャードカウントは最良の効率と性能のトレードオフをもたらすことを示す。
  論文  参考訳（メタデータ） (2026-07-07T23:23:52Z)
• Privacy-Aware Machine Unlearning with SISA for Reinforcement Learning-Based Ransomware Detection [1.8024397171920885]
  本稿では、Sharded, Isolated, Sliced, Aggregated trainingをベースとしたランサムウェア検出のための、プライバシを意識しない機械学習評価フレームワークを提案する。 このフレームワークは、検出器全体ではなく、影響を受けるモデルのシャードのみをトレーニングすることで、効率的なデータ削除を可能にする。
  論文  参考訳（メタデータ） (2026-04-18T00:19:20Z)
• Measuring and Exploiting Confirmation Bias in LLM-Assisted Security Code Review [6.417595678110472]
  ソフトウェアサプライチェーン攻撃において,確認バイアスがLSMベースの脆弱性検出に影響を及ぼすか,また,この障害モードを悪用できるかを検討する。 調査1では,5つのフレーミング条件下で4つの最先端モデルに対して評価された250個のCVE脆弱性/パッチペアに対する制御実験により,確認バイアスを定量化する。 調査2は、既知の脆弱性を再導入する敵のプルリクエストを模倣して、セキュリティの改善やプルリクエストメタデータによる緊急機能修正を実施可能であることを評価する。
  論文  参考訳（メタデータ） (2026-03-19T10:40:27Z)
• Reward Under Attack: Analyzing the Robustness and Hackability of Process Reward Models [68.45272703833209]
  現状のPRMは、逆最適化圧力下で体系的に利用可能であることを示す。 これらの脆弱性を定量化するために、敵の圧力を増大させる3段階の診断フレームワークを導入する。 我々は、PRM-BiasBenchと診断ツールキットをリリースし、デプロイ前にロバストネスの評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-20T23:38:03Z)
• StealthRL: Reinforcement Learning Paraphrase Attacks for Multi-Detector Evasion of AI-Text Detectors [0.0]
  StealthRLはAIテキスト検出のための強化学習フレームワークである。 我々は,現実的な対向条件下で,マルチ検出器アンサンブルに対してパラフレーズポリシーを訓練する。 StealthRLはゼロに近い検出を実現し、平均AUROCを0.74から0.27に減らし、99.9%の攻撃成功率を達成した。
  論文  参考訳（メタデータ） (2026-02-09T17:33:46Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• Leveraging Uncertainty for Improved Static Malware Detection Under Extreme False Positive Constraints [21.241478970181912]
  本研究では,静的マルウェア検出のための機械学習手法のアンサンブル処理とベイズ処理により,モデル誤りの同定精度が向上することを示す。 特に,本研究では,従来手法で期待されていた0.69から0.80まで,実際に実現された1e-5のFPRにおける真の正の率(TPR)を,Sophos業界スケールデータセット上で最高のモデルクラスで改善する。
  論文  参考訳（メタデータ） (2021-08-09T14:30:23Z)
• Transferable, Controllable, and Inconspicuous Adversarial Attacks on Person Re-identification With Deep Mis-Ranking [83.48804199140758]
  システム出力のランキングを乱す学習とミスランクの定式化を提案する。 また,新たなマルチステージネットワークアーキテクチャを開発することで,バックボックス攻撃を行う。 そこで本手法では, 異なるマルチショットサンプリングにより, 悪意のある画素数を制御することができる。
  論文  参考訳（メタデータ） (2020-04-08T18:48:29Z)

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。