Fugu-MT 論文翻訳(概要): Conformal Prediction for Offensive Security

論文の概要: Conformal Prediction for Offensive Security

arxiv url: http://arxiv.org/abs/2609.05165v1
Date: Fri, 04 Sep 2026 14:07:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:24.065107
Title: Conformal Prediction for Offensive Security
Title（参考訳）: 攻撃安全のためのコンフォーマル予測
Abstract要約: Conformal Prediction(CP)は、これまでのところ、サイバーセキュリティの世界に驚くほど少ない応用例を見せている。このギャップを、プライバシ保存機械学習とネットワークトラフィック分析という、攻撃的セキュリティの2つの重要な領域において、最初の発見を提示することによって検討する。
参考スコア（独自算出の注目度）: 5.002580241347221
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite its introduction more than a quarter century ago, Conformal Prediction (CP) has seen surprisingly few applications to the cyber security world thus far. In particular, we observe that, while CP has been employed as a defensive measure in many recent works, its use for carrying out attacks (i.e., for offensive security) is hard to trace in the literature. We explore this gap, by presenting initial findings in two key areas of offensive security: Privacy-Preserving Machine Learning, and network traffic analysis.
Abstract（参考訳）: CP(Conformal Prediction, Conformal Prediction, コンフォーマル予測)は、半世紀以上前に登場したが、これまでのところ、サイバーセキュリティの世界には、驚くほど少ない応用例がある。特に,近年の多くの研究においてCPは防衛対策として採用されているが,攻撃(すなわち攻撃的セキュリティ)の実施は文献の追跡が困難である。このギャップについて,プライバシ保護機械学習とネットワークトラフィック分析という,攻撃的セキュリティの2つの重要な領域において,最初の発見を提示することによって検討する。

関連論文リスト

Cybersecurity of Quantum Key Distribution Implementations [1.1666234644810893]
量子サイバーセキュリティのための新しい分析ツールと方法論を提案する。我々は、脆弱性の概念、攻撃面、および古典的なサイバーセキュリティからQKD実装攻撃へのエクスプロイトに適応する。この研究は、QKDの実装を実験的に攻撃するための現在の分析方法と、古典的なサイバーセキュリティの分野における数十年にわたる研究のギャップを埋めることから始まります。
論文参考訳（メタデータ） (2025-08-06T17:37:04Z)
CP-Guard+: A New Paradigm for Malicious Agent Detection and Defense in Collaborative Perception [53.088988929450494]
協調知覚(CP)は、安全で自律的な運転のための有望な方法である。本稿では,悪意のあるエージェントを機能レベルで効果的に識別する,悪意のあるエージェント検出のための新しいパラダイムを提案する。また,CP-Guard+と呼ばれる堅牢な防御手法を開発し,良性の表現と悪質な特徴とのマージンを高める。
論文参考訳（メタデータ） (2025-02-07T12:58:45Z)
Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
論文参考訳（メタデータ） (2024-03-26T15:07:58Z)
How Resilient is QUIC to Security and Privacy Attacks? [2.621434923709917]
QUICは、安全で低レイテンシな通信のための基盤となるトランスポートプロトコルへと急速に進化してきた。本稿では,QUICと新興プライバシ脅威に対する包括的攻撃を体系的に再検討する。
論文参考訳（メタデータ） (2024-01-12T16:05:13Z)
Towards a Near-real-time Protocol Tunneling Detector based on Machine Learning Techniques [0.0]
本稿では,機械学習技術を用いて企業のネットワークトラフィックをほぼリアルタイムで検査するプロトコルトンネル検出器のプロトタイプを提案する。検出器は暗号化されていないネットワークフローを監視し、起こりうる攻撃や異常を検出する特徴を抽出する。その結果、全体的な精度は97.1%であり、F1スコアは95.6%である。
論文参考訳（メタデータ） (2023-09-22T09:08:43Z)
Physical Adversarial Attack meets Computer Vision: A Decade Survey [55.38113802311365]
本稿では,身体的敵意攻撃の概要を概観する。本研究は,身体的敵意攻撃の性能を体系的に評価する第一歩を踏み出した。提案する評価基準であるhiPAAは6つの視点から構成される。
論文参考訳（メタデータ） (2022-09-30T01:59:53Z)
An Overview of Backdoor Attacks Against Deep Neural Networks and Possible Defences [33.415612094924654]
本研究の目的は,これまでに提案された攻撃・防衛の多種多様さを概観することである。バックドア攻撃では、攻撃者はトレーニングデータを破損し、テスト時に誤動作を誘発する。テストタイムエラーは、適切に作成された入力サンプルに対応するトリガーイベントの存在下でのみ起動される。
論文参考訳（メタデータ） (2021-11-16T13:06:31Z)
Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
論文参考訳（メタデータ） (2021-08-25T15:49:10Z)
Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文参考訳（メタデータ） (2020-10-19T13:09:31Z)
Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文参考訳（メタデータ） (2020-08-26T19:27:27Z)
A Survey of Privacy Attacks in Machine Learning [0.7614628596146599]
この研究は、機械学習に対するプライバシー攻撃に関連する40以上の論文の分析である。プライバシリークの原因についての最初の調査と、異なる攻撃の詳細な分析が紹介されている。本稿では,最も一般的に提案されている防衛の概観と,分析において確認されたオープンな問題と今後の方向性について論じる。
論文参考訳（メタデータ） (2020-07-15T12:09:53Z)
Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文参考訳（メタデータ） (2020-07-05T18:22:40Z)

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。