Fugu-MT 論文翻訳(概要): SENTINEL: A Multi-Pathway Architecture for Detecting Living-Off-the-Land APT Attacks on Windows Command Lines

論文の概要: SENTINEL: A Multi-Pathway Architecture for Detecting Living-Off-the-Land APT Attacks on Windows Command Lines

arxiv url: http://arxiv.org/abs/2609.14593v1
Date: Sun, 13 Sep 2026 15:20:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.861328
Title: SENTINEL: A Multi-Pathway Architecture for Detecting Living-Off-the-Land APT Attacks on Windows Command Lines
Title（参考訳）: SENTINEL: Windows コマンドライン上での LIVE-the-Land APT 攻撃検出のためのマルチパスアーキテクチャ
Abstract要約: LOTL(Living-Off-the-Land)は、APT(Advanced Persistent Threat)アクターの回避技術である。本稿では,BERTに基づくセマンティックエンコーディングを統合したマルチパスアーキテクチャであるSENTINEL,難読化不変性のための文字レベルCNN,オートエンコーダによる異常スコアについて述べる。
参考スコア（独自算出の注目度）: 6.269258491535946
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Living-Off-the-Land (LOTL) is the dominant evasion technique of Advanced Persistent Threat (APT) actors, exploiting legitimate Windows utilities to conduct malicious operations without deploying custom malware and enabling state-sponsored campaigns to maintain persistent access within military and critical defense infrastructure for extended periods. Existing detection methods fail against obfuscated commands and multi-stage attack sequences, as demonstrated by the Volt Typhoon APT campaign, which maintained undetected access to U.S. critical infrastructure for over 18 months using exclusively signed Windows utilities. We present SENTINEL, a multi-pathway architecture integrating BERT-based semantic encoding, character-level CNN for obfuscation invariance, inter-command attention for multi-stage pattern recognition, and autoencoder-based anomaly scoring. Evaluated on a balanced Volt Typhoon benchmark derived from Microsoft and CISA threat intelligence advisories, SENTINEL achieves 92.0% accuracy on documented state-sponsored attack commands and 91.2% on obfuscated variants, compared to 74.0% and 72.0% for standalone BERT. Per-class analysis reveals that models achieving over 98% overall validation accuracy on imbalanced data exhibit only 44-58% malicious recall on balanced adversarial sets. Character-level processing contributes 5.6 percentage points of obfuscation invariance, and the 8.0 percentage point gap over augmentation-only baselines confirms structural architectural value beyond data-driven robustness alone.
Abstract（参考訳）: LOTL(Living-Off-the-Land)は、Advanced Persistent Threat (APT) アクターの圧倒的な回避技術であり、カスタムマルウェアをデプロイせずに悪意ある操作を行うために正当なWindowsユーティリティを利用することで、軍事および重要な防衛インフラ内で長期にわたって永続的なアクセスを維持するための国家支援キャンペーンを可能にする。既存の検出方法は難読化されたコマンドやマルチステージ攻撃シーケンスに対して失敗し、Volt Typhoon APTキャンペーンで実証された。本稿では,BERTに基づくセマンティックエンコーディングを統合したマルチパスアーキテクチャであるSENTINEL,難読化不変性のための文字レベルCNN,多段階パターン認識のための命令間注目,オートエンコーダによる異常スコアについて述べる。 SENTINELは、MicrosoftとCISAの脅威情報アドバイザリーに由来するバランスの取れたVolt Typhoonベンチマークに基づいて評価され、文書化された状態保証された攻撃コマンドで92.0%、難読化された変種で91.2%、スタンドアロンのBERTでは74.0%と72.0%である。クラスごとの分析では、不均衡なデータに対する全体の検証精度が98%を超えるモデルでは、バランスの取れた逆数集合に対する悪意のあるリコールは44～58%に過ぎなかった。文字レベルの処理は難読化の5.6ポイントに寄与し、拡張のみのベースラインに対する8.0ポイントの差は、データ駆動の堅牢性以外の構造的価値を確認する。

関連論文リスト

CyberForge: Verified Vulnerability Injection at Repository Level for Cybersecurity Agent Training [42.087410274052836]
CyberForgeは、実際のC/C++プロジェクトに脆弱性を注入することで、実行可能なリポジトリレベルのセキュリティトレーニングデータを合成するフレームワークである。結果として得られたコーパスには、80のプロジェクトにわたる検証済みの脆弱性1034と、63の弱点が含まれている。このコーパスで収集された軌道の微調整により、SECのパッチの修理は+3.3から+14.7ポイント改善される。
論文参考訳（メタデータ） (2026-08-06T18:03:27Z)
Beyond Refusal: A Same-Lineage Study of Aligned and Abliterated LLMs for Vulnerability Analysis [31.25049774595995]
本研究は, 拒絶行動が相変わらず (相変わらず) 維持されているか, あるいは同系統モデルで再分類されたかを検討した。我々は、脆弱性検出、CWE属性、脆弱なラインローカライゼーション、ルート原因ローカライゼーション、実行可能パッチバリデーションについて、アラインド状態とアライテッド状態の評価を行った。
論文参考訳（メタデータ） (2026-07-07T05:04:48Z)
Enhancing Reliability in LLM-Based Secure Code Generation [10.791767027934858]
大規模言語モデル(LLM)はコード生成に広く使用されているが、セキュリティの信頼性は言語間で不整合であり、戦略を推進している。タスク固有のCWE緩和ガイダンスと言語対応セーフガードを組み込んだtextitMitigation-Aware Chain-of-Thought(MA-CoT)フレームワークを紹介する。我々は、3つのLLM(gpt-5, claude-4.5, gemini-2.5)、3つのプログラミング言語(C, Java, Python)、4つのプロンプト戦略についてMA-CoTを評価した。
論文参考訳（メタデータ） (2026-05-22T23:58:56Z)
Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization [51.11398557420066]
我々は、推論時ポリシー最適化としてジェイルブレイクを改定するフレームワークであるMetisを紹介する。メティスは比較手法の中でも89.2%で最強のアタック成功率(ASR)を達成している。冗長な探索を最適化に置き換えることで、Metisはトークンコストを平均8.2倍、最大11.4倍に削減する。
論文参考訳（メタデータ） (2026-05-11T06:45:00Z)
Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw [87.97230960702274]
本稿では,OpenClawの安全性評価について紹介する。エージェントの永続状態を3次元に統一するCIK分類法を導入する。評価では、ライブOpenClawインスタンス上の12のアタックシナリオをカバーしています。
論文参考訳（メタデータ） (2026-04-06T15:27:05Z)
SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
論文参考訳（メタデータ） (2026-04-04T04:29:11Z)
ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
論文参考訳（メタデータ） (2026-01-15T08:23:38Z)
AutoPatch: Multi-Agent Framework for Patching Real-World CVE Vulnerabilities [7.812032134834162]
大規模言語モデル(LLM)はソフトウェア開発において有望なツールとして登場した。彼らの知識は、固定されたカットオフ日に限定されており、新しく公開されたCVEに脆弱なコードを生成する傾向がある。脆弱なLLM生成コードにパッチを当てるためのフレームワークであるAutoPatchを提案する。
論文参考訳（メタデータ） (2025-05-07T07:49:05Z)
Making Every Step Effective: Jailbreaking Large Vision-Language Models Through Hierarchical KV Equalization [74.78433600288776]
HKVE (Hierarchical Key-Value Equalization) は、勾配最適化結果を選択的に受け入れる革新的なジェイルブレイクフレームワークである。 HKVEは既存の手法を20.43%,21.01%,26.43%のマージンで大幅に上回った。
論文参考訳（メタデータ） (2025-03-14T17:57:42Z)
Cybersecurity Defenses: Exploration of CVE Types through Attack Descriptions [1.0474508494260908]
VULDATは、文変換器MPNETを使用して、攻撃記述からシステムの脆弱性を識別する分類ツールである。また,ATT&CKレポジトリから100件,CVEレポジトリから685件のアタック手法を適用した。以上の結果より,F1スコア0.85,精度0.86,リコール0.83,F1スコア0.83,F1スコア0.85,F1スコア0.86,F1スコア0.83,F1スコア0。
論文参考訳（メタデータ） (2024-07-09T11:08:35Z)
G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文参考訳（メタデータ） (2023-06-08T07:15:04Z)

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。