論文の概要: Federated Attack Campaign Detection via Contrastive Encoding of Threat Indicators in Gradient Updates
- arxiv url: http://arxiv.org/abs/2609.04815v1
- Date: Fri, 04 Sep 2026 07:13:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.956371
- Title: Federated Attack Campaign Detection via Contrastive Encoding of Threat Indicators in Gradient Updates
- Title（参考訳）: グラディエント更新における脅威指標のコントラスト符号化によるフェデレーション攻撃検出
- Abstract要約: 我々はFedIoCを提案する。FedIoCは、クライアントがローカルに利用可能な構造化された脅威指標を勾配更新に折り畳むモジュラーフレームワークである。
クライアントは、同じアタックキャンペーンのインジケータを共有して、整列した勾配コンポーネントを生成します。
我々はFedIoCを用いて、非IID勾配構造をリカバリの主要因とし、それを改善するエンコーダを設計する際のオープンな問題を定義する。
- 参考スコア（独自算出の注目度）: 0.7136933021609076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting orchestrated cyberattack campaigns that span multiple organizations traditionally requires sharing sensitive telemetry and threat intelligence across institutional boundaries and country borders, a barrier that Federated Learning removes by training shared threat detectors directly on local data. We propose FedIoC, a modular framework in which clients fold locally available structured threat indicators into their gradient updates; we instantiate the client-side encoder with a supervised contrastive loss over IoC-matched flows. Within each training batch, flows that match any known indicator pattern form the positive set; the contrastive objective pulls their learned embeddings together and pushes non-IoC embeddings away, so that campaign-relevant structure is, by design, expressed in the gradient direction. Clients sharing indicators for the same attack campaign then produce aligned gradient components, which the server clusters by the cosine similarity of their updates to recover global campaign patterns without any direct IoC transmission. We evaluate FedIoC on two public threat-detection benchmarks distributed across FL clients that each observe only a fragment of every active campaign and hold disjoint indicator sets derived from their local telemetry. In this regime the FL server recovers cross-organizational campaign cohorts directly from gradient geometry. We contribute FedIoC as a modular framework for this setting, and use it to pinpoint the non-IID gradient structure as the main driver of recovery and to define the open problem of designing encoders that improve on it.
- Abstract（参考訳）: 複数の組織にまたがる組織化されたサイバー攻撃のキャンペーンを検出するには、組織の境界や国の境界を越えて、機密性の高いテレメトリと脅威のインテリジェンスを共有する必要がある。
我々はFedIoCを提案する。FedIoCは、クライアントがローカルに利用可能な構造化された脅威指標を勾配更新に折り畳み、クライアント側エンコーダをIoCマッチングフローに対する教師付きコントラスト損失でインスタンス化するモジュラーフレームワークである。
各トレーニングバッチ内では、既知の指標パターンにマッチするフローが正の集合を形成し、対照的な目的が学習した埋め込みをまとめて、非IoC埋め込みを押し出して、キャンペーン関連構造が設計上、勾配方向に表現されるようにします。
同じアタックキャンペーンの指標を共有するクライアントは、そのアップデートの余分な類似性によってサーバがクラスタ化して、IoCを直接送信することなくグローバルなキャンペーンパターンを復元する、整列した勾配コンポーネントを生成する。
我々はFedIoCをFLクライアントに分散した2つの公開脅威検出ベンチマークで評価し、各クライアントは各アクティブキャンペーンの断片のみを観察し、そのローカルテレメトリから導出される不整合指標セットを保持する。
この状態において、FLサーバは、勾配幾何学から直接組織間キャンペーンコホートを回収する。
この設定のためのモジュラーフレームワークとしてFedIoCをコントリビュートし、非IID勾配構造をリカバリの主要因とし、それを改善するエンコーダを設計する際のオープンな問題を定義する。
関連論文リスト
- Detecting and Mitigating Backdoor Attacks in OTA-FL Systems: A Two-Stage Robust Aggregation Scheme [27.75838619796163]
オーバー・ザ・エア・フェデレーション・ラーニング (OTA-FL) は無線チャネルの重ね合わせ特性を利用して通信効率を向上させる。
パラメータサーバは個々のローカル更新にアクセスできない。
OTA-FLにおけるバックドア攻撃に対する防御のための2段階のロバストアグリゲーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-19T01:57:31Z) - CLAD: A Clustered Label-Agnostic Federated Learning Framework for Joint Anomaly Detection and Attack Classification [7.2780885662220065]
Internet of Things(IoT)とIndustrial IoT(IIoT)は、巨大で異質なアタックサーフェスを作成しました。
本稿では,Clustered Federated Learning(CFL)を新しいDual-Mode Micro-Architectureにシームレスに組み込む,包括的なフレームワークであるCLADを提案する。
論文 参考訳（メタデータ） (2026-05-07T17:01:19Z) - Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。
近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。
我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
論文 参考訳（メタデータ） (2026-04-01T14:32:15Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning [5.7494612007431805]
データプライバシを維持しつつ、間接的なクライアント間表現共有をサポートする新しいFLフレームワークであるFedP3Eを提案する。
我々は,N-BaIoTデータセット上のFedP3Eを,データ不均衡の程度が異なる現実的なクロスサイロシナリオ下で評価した。
論文 参考訳（メタデータ） (2025-07-09T20:07:35Z) - Entente: Cross-silo Intrusion Detection on Network Log Graphs with Federated Learning [7.8801722630496664]
グラフベースのネットワーク侵入検知システム(GNIDS)は、高度持続脅威(APT)のような高度なサイバー攻撃を検出する上で、大きな勢いを増している。
既存のGNIDSは、主に中央集権的なデータ設定を前提としているが、プライバシー規制や運用上の制限のため、フレキシブルなデータ収集は常に現実的あるいは達成可能であるとは限らない。
我々は、GNIDSの実践的な開発には分散コレクション設定の会計が必要であると論じ、この顕著な課題に対処するために、フェデレートラーニング(FL)を実行可能なパラダイムとして活用する。
これらの問題に,参照グラフ合成,グラフスケッチ,適応コントリビューションスケーリングなど,グラフデータセットに適した一連の新しいテクニックで対処する。
論文 参考訳（メタデータ） (2025-03-18T14:21:24Z) - Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。
PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。
本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
論文 参考訳（メタデータ） (2024-11-22T05:41:00Z) - Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。
FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。
分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
論文 参考訳（メタデータ） (2024-06-13T14:45:35Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳（メタデータ） (2023-09-14T03:48:27Z)
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。