論文の概要: Slips: Behavioral Evidence Aggregation for Network Security

• arxiv url: http://arxiv.org/abs/2608.11979v1
• Date: Wed, 12 Aug 2026 12:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.568189
• Title: Slips: Behavioral Evidence Aggregation for Network Security
• Title（参考訳）: Slips: ネットワークセキュリティのための行動証拠収集
• Abstract要約: Slipsは、ホスト中心の行動プロファイルを構築し、アクティビティをタイムウィンドウに整理するネットワーク侵入検知システムである。 モジュールアーキテクチャを使用しており、独立したモジュールは、最終的な警告を直接生成するのではなく、証拠を報告している。 SlipsはSuricataよりも83%高いリコール率と70%高いF1スコアを達成したが、どちらのシステムも偽陽性を生じなかった。
• 参考スコア（独自算出の注目度）: 0.26215338446228165
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Network intrusion detection systems often analyze individual packets or flows, although malicious behavior may develop across many connections and over time. This may limit their ability to combine isolated detections into a coherent assessment of host behavior. Packet-level features may also be too low-level for complex AI-based detection, requiring additional processing to improve accuracy while maintaining a low false-positive rate. We present Slips, a network intrusion detection system that builds host-centered behavioral profiles and organizes activity into time windows. It uses a modular architecture in which independent modules report evidence rather than generating final alerts directly. Slips then accumulates this evidence into host-level decisions. We evaluate Slips against Suricata on an expert-labeled PCAP dataset. At the profile-time-window level, Slips achieved 83% higher recall and a 70% higher F1 score than Suricata, while neither system produced false positives. These results indicate that time-window-based evidence accumulation can produce context-aware decisions that better align with expert judgment.
• Abstract（参考訳）: ネットワーク侵入検知システムは、しばしば個々のパケットやフローを解析するが、悪意のある振る舞いは多くの接続や時間とともに発生する。 これにより、孤立した検出をホストの行動のコヒーレントな評価に組み合わせる能力を制限することができる。 パケットレベルの機能は、複雑なAIベースの検出には低レベルすぎる可能性があるため、偽陽性率を低く保ちながら、精度を向上させるために追加の処理が必要になる。 Slipsは、ホスト中心の行動プロファイルを構築し、アクティビティをタイムウィンドウに整理するネットワーク侵入検知システムである。 モジュールアーキテクチャを使用しており、独立したモジュールは、最終的な警告を直接生成するのではなく、証拠を報告している。 Slipsはこの証拠をホストレベルの決定に蓄積する。 専門家ラベル付きPCAPデータセットを用いてSlips対Suricataの評価を行った。 SlipsはSuricataよりも83%高いリコール率と70%高いF1スコアを達成したが、どちらのシステムも偽陽性を生じなかった。 以上の結果から,時間ウインドウに基づく証拠の蓄積は,専門家の判断に適合した文脈認識の判断を導出する可能性が示唆された。

関連論文リスト

• Decoupling Reconnaissance and Exploitation: Measuring the Capability Boundaries of LLM-Based Web Penetration Testing [8.293465530619246]
  本稿では,2段階の非結合評価フレームワークを提案する。 我々は、マルチエージェント、モノリシック、グラフ駆動アーキテクチャをカバーする、オープンソースの5つの浸透試験エージェントを実証的に評価する。
  論文  参考訳（メタデータ） (2026-06-24T02:51:58Z)
• HIDBench: Benchmarking Large Language Models for Host-Based Intrusion Detection [11.060899899257755]
  ホストベースの侵入検知システムをサポートするために,大規模言語モデルの能力を評価するための新しいベンチマークを提案する。 このタスクは、大規模で騒々しく、高度に不均衡なシステムログに対してきめ細かい推論を必要とする。 LLMはHIDSに強い可能性を示すが,その有効性はデータの複雑さに非常に敏感である。
  論文  参考訳（メタデータ） (2026-05-20T22:07:12Z)
• GRASP -- Graph-Based Anomaly Detection Through Self-Supervised Classification [0.31498833540989407]
  高度な永続的脅威(APT)攻撃は、ステルス、適応性、正統なシステムコンポーネントの使用により検出が難しいままである。 マスク付き自己教師型分類に基づくPIDSであるGRASPを紹介する。 GRASPは、既知の攻撃関連活動を含む異常な動作を常に検出し、既存のシステムより優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-08T14:45:36Z)
• QUACK! Making the (Rubber) Ducky Talk: A Systematic Study of Keystroke Dynamics for HID Injection Detection [60.105690843777666]
  我々は、タイミング機能のみで動作する軽量モデルを使用して、堅牢でプライバシー保護の検知が達成可能であることを示す。 分析の結果,攻撃者の高度化は単調に回避を改善できないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-17T08:53:24Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection [12.318835339832056]
  マルウェア検出は、署名に基づく検出と機械学習を統合するAIシステムにますます依存している。 本研究では,シグネチャベースの検出がトレーニングパイプラインに含まれる場合のモデルトレーニングに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-08-13T09:35:51Z)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• PARIS: A Practical, Adaptive Trace-Fetching and Real-Time Malicious Behavior Detection System [6.068607290592521]
  本稿では,適応的トレースフェッチ,軽量かつリアルタイムな悪意ある行動検出システムを提案する。 具体的には、Event Tracing for Windows (ETW)で悪意ある振る舞いを監視し、悪意のあるAPIやコールスタックを選択的に収集することを学ぶ。 その結果、より広い範囲のAPIを監視し、より複雑な攻撃行動を検出することができる。
  論文  参考訳（メタデータ） (2024-11-02T14:52:04Z)
• 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)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。