論文の概要: TGL-APT: Temporal Graph Learning with Graph Distillation for Efficient APT Investigation

• arxiv url: http://arxiv.org/abs/2608.19750v1
• Date: Thu, 20 Aug 2026 07:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.487659
• Title: TGL-APT: Temporal Graph Learning with Graph Distillation for Efficient APT Investigation
• Title（参考訳）: TGL-APT:グラフ蒸留を用いた時間グラフ学習による効率的なAPT探索
• Abstract要約: Advanced Persistent Threat (APT) 攻撃は、現代のシステムにとって重要な課題である。 出現グラフは、攻撃調査のためのリッチな行動コンテキストを提供する。 フルグラフ学習は計算コストが高く、長い攻撃シーケンスの相関が難しい。 TGL-APTは,攻撃関連情報が一様ではないという観測に基づいて構築された適応型調査フレームワークである。
• 参考スコア（独自算出の注目度）: 4.734580965992264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced Persistent Threat (APT) attacks pose a critical challenge to modern systems, as their stealthy, multi-stage nature renders conventional detection methods ineffective. While provenance graphs provide rich behavioral context for attack investigation, attack-relevant evidence is often sparse and embedded in large volumes of routine system activity, making full-graph learning both computationally expensive and difficult to correlate over long attack sequences. We present TGL-APT, an adaptive investigation framework built on the observation that attack-relevant information is non-uniformly distributed and often mediated by structurally influential or behaviorally distinctive entities, which we characterize as information-bottleneck nodes. TGL-APT combines three complementary components: (1) information-bottleneck-guided graph distillation that suppresses provenance redundancy while bounding structural distortion and preserving causal reachability; (2) adaptive temporal graph learning that continuously refines the core node set as node relevance evolves; and (3) cross-spatiotemporal attack fingerprint alignment that associates fragmented suspicious activities across different entities and time windows. Finally, causal expansion and stage characterization reconstruct coherent attack processes for investigation. Experiments on three DARPA E3 datasets show F1-scores of 95.7%, 90.9%, and 88.9%, while reducing training time, detection latency, and memory usage by approximately 39%, 33%, and 22%, respectively, compared with KAIROS. These results demonstrate that TGL-APT effectively balances detection performance, computational efficiency, and investigation capability for provenance-based APT analysis.
• Abstract（参考訳）: Advanced Persistent Threat (APT) 攻撃は、そのステルスで多段階的な性質が従来の検出方法に効果がないため、現代のシステムにとって重要な課題となる。 プロファイランスグラフは攻撃調査のためのリッチな行動文脈を提供するが、攻撃関連エビデンスはしばしば疎外され、大量の定期的なシステム活動に埋め込まれる。 TGL-APTは,攻撃関連情報が一様に分散せず,構造的に影響されたり,行動に特有なエンティティによって媒介される場合が多く,情報ブートネックノードとして特徴付けられる,適応型調査フレームワークである。 TGL-APTは,(1)構造歪みを拘束し,因果到達性を保ちつつ,有意な冗長性を抑える情報ボトルネック誘導グラフ蒸留,(2)ノードの関連性の発展に伴ってコアノードセットを連続的に洗練する適応時間グラフ学習,(3)異なるエンティティやタイムウィンドウをまたいだ不審な動作を関連づける時空間攻撃指紋アライメント,の3つの相補的な構成要素を組み合わせた。 最終的に、因果拡大と段階的特徴付けは、調査のためのコヒーレントな攻撃過程を再構築する。 3つのDARPA E3データセットの実験では、トレーニング時間、検出遅延、メモリ使用量の約39%、KAIROSと比較して、F1スコアは95.7%、90.9%、88.9%となっている。 これらの結果から, TGL-APTは検出性能, 計算効率, 調査能力のバランスをとることができることがわかった。

関連論文リスト

• Boosting Robust AIGI Detection with LoRA-based Pairwise Training [55.076681464804636]
  現在のAIGI検出器はクリーンなデータセットで良好に動作しますが、その検出性能は"野生"に展開すると低下します。 本稿では,高度歪み下でのAIGIの堅牢な検出を実現するために,Lo-based Pairwise Training (RA) 戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-14T05:35:32Z)
• Learning the APT Kill Chain: Temporal Reasoning over Provenance Data for Attack Stage Estimation [0.0]
  本稿では,融合ホストとネットワーク前駆体データから多段階攻撃進行推定を行うための時間グラフ学習フレームワークを提案する。 実験の結果、StageFinderは0.96のマクロF1スコアを達成し、最先端のベースラインと比較して予測ボラティリティを31%削減した。
  論文  参考訳（メタデータ） (2026-03-08T09:48:37Z)
• APT-CGLP: Advanced Persistent Threat Hunting via Contrastive Graph-Language Pre-Training [33.84587345029278]
  Provenance-based threat Huntは、CTI(Cyber Threat Intelligence)に記述されている攻撃パターンと、システム監査ログから派生した証明グラフを関連付けて、エンドポイント上のAdvanced Persistent Threats(APT)を特定する。 このパラダイムの根本的な課題は、前駆グラフとCTIレポートの間の構造的および意味的な切り離しであるモダリティギャップにある。 APT-CGLPは,コントラストグラフ・ランゲージ事前学習による新しいAPT狩猟システムである。
  論文  参考訳（メタデータ） (2025-11-25T13:20:12Z)
• TPPR: APT Tactic / Technique Pattern Guided Attack Path Reasoning for Attack Investigation [0.0]
  本稿では, 異常ノード検出, TTPアノテーション, グラフプルーニングにより, 異常部分グラフを抽出する新しいフレームワークTPPRを提案する。 TPPRの99.9%のグラフ単純化(70,000から20エッジ)を実現する能力は、重要な攻撃ノードの91%を保持しながら、攻撃シナリオの完全性を維持しながら63.1%と67.9%の再現精度で最先端のソリューション(SPARSE、DepImpact)より優れている。
  論文  参考訳（メタデータ） (2025-10-25T07:13:07Z)
• TFLAG:Towards Practical APT Detection via Deviation-Aware Learning on Temporal Provenance Graph [7.676383564795898]
  Advanced Persistent Threat (APT) はますます複雑化し、隠蔽されている。 近年の研究では、証明グラフから詳細な情報を抽出するグラフ学習技術が取り入れられている。 本稿では,高度な異常検出フレームワークであるTFLAGを紹介する。
  論文  参考訳（メタデータ） (2025-01-13T01:08:06Z)
• Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
  グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。 GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である 本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
  論文  参考訳（メタデータ） (2024-06-12T06:36:37Z)
• LTRDetector: Exploring Long-Term Relationship for Advanced Persistent Threats Detection [20.360010908574303]
  Advanced Persistent Threat (APT) は, 持続時間, 発生頻度, 適応的隠蔽技術により, 検出が困難である。 既存のアプローチは主に、永続的な攻撃ライフサイクルを通じて形成された複雑な関係を無視して、攻撃行動の観測可能な特性に重点を置いている。 LTRDetectorと呼ばれる革新的なAPT検出フレームワークを提案し、エンド・ツー・エンドの全体的操作を実装した。
  論文  参考訳（メタデータ） (2024-04-04T02:30:51Z)
• The Adversarial Implications of Variable-Time Inference [47.44631666803983]
  本稿では,攻撃対象のMLモデルの予測を後処理するアルゴリズムの実行時間を簡単に計測する,新たなサイドチャネルを利用するアプローチを提案する。 我々は,物体検出装置の動作において重要な役割を果たす非最大抑圧(NMS)アルゴリズムからの漏れを調査する。 我々は、YOLOv3検出器に対する攻撃を実演し、タイミングリークを利用して、逆例を用いてオブジェクト検出を回避し、データセット推論を行う。
  論文  参考訳（メタデータ） (2023-09-05T11:53:17Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• Temporal Difference Learning with Compressed Updates: Error-Feedback meets Reinforcement Learning [47.904127007515925]
  本稿では,従来の時間差学習アルゴリズムの変種について検討する。 我々は、圧縮されたTDアルゴリズムと、最適化に広く用いられているエラーフィードバック機構が組み合わさって、漸近的でない近似を保証することを証明した。 特に、これらは一般圧縮演算子と線形関数近似とマルコフサンプリングを併用したタンデムの誤差フィードバックを考慮に入れたRLにおける最初の有限時間結果である。
  論文  参考訳（メタデータ） (2023-01-03T04:09:38Z)
• A Robust Backpropagation-Free Framework for Images [47.97322346441165]
  画像データに対するエラーカーネル駆動型アクティベーションアライメントアルゴリズムを提案する。 EKDAAは、ローカルに派生したエラー送信カーネルとエラーマップを導入することで達成される。 結果は、識別不能なアクティベーション機能を利用するEKDAAトレーニングCNNに対して提示される。
  論文  参考訳（メタデータ） (2022-06-03T21:14:10Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。