論文の概要: DEFEAT: Stitching Fragmented File I/O Contexts for Early Ransomware Detection
- arxiv url: http://arxiv.org/abs/2609.21426v1
- Date: Fri, 18 Sep 2026 07:39:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.899023
- Title: DEFEAT: Stitching Fragmented File I/O Contexts for Early Ransomware Detection
- Title（参考訳）: DEFEAT:早期ランサムウェア検出のためのフラグメントファイルI/Oコンテキストのスティッチ化
- Abstract要約: ランサムウェアは、一時的および中間的なファイル間でファイル操作を断片化し、個々のI/Oイベントと包括的な暗号化キャンペーンを結びつけるセマンティックコンテキストを分散させる。
我々は、因果関係のファイルイベントをファイルイベントガジェット(FEG)にグループ化することで、この断片化された分散コンテキストを再構築するフレームワークDEFEATを提案する。
FEGは単一のユーザアセットのファイル操作コンテキストにスコープされ、システム全体のインスツルメンテーションなしで軽量で対象とする分析を可能にする。
- 参考スコア（独自算出の注目度）: 30.351124520349014
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ransomware increasingly fragments its file operations across temporary and intermediate files, scattering the semantic context that links individual I/O events to an overarching encryption campaign. This fragmentation defeats existing detectors that reason over isolated file streams -- whether pattern-based methods that match rigid event sequences or learning-based methods that require accumulating statistical evidence across many files. We present DEFEAT, a framework that reconstructs this fragmented, scattered context by grouping causally related file events into File Event Gadgets (FEGs), semantically coherent units that capture the full intent behind sequences of file operations spanning multiple dynamically created files. Unlike provenance graphs (system-wide causal graphs that record relationships among all OS entities, such as processes, files, sockets, and registry keys, across the entire system), FEGs are scoped to the file-operation context of a single user asset, enabling lightweight, targeted analysis without whole-system instrumentation. Each FEG is modelled as an attributed control flow graph (ACFG) and embedded via a graph neural network for unsupervised clustering, enabling analysts to label entire behavioural clusters rather than individual samples, reducing annotation effort by 94%. Evaluated on a corpus of 97,816,471 file I/O events spanning 67 ransomware families, DEFEAT achieves 99.2% detection accuracy and outperforms state-of-the-art methods including UNVEIL, RWGuard, and Peeler by 6.57 to 7.56%. The framework operates at the granularity of a single file encryption: because each ACFG represents exactly one FEG (one user asset context), a cluster label can be assigned as soon as the first file operation completes, enabling detection at the first encrypted file.
- Abstract（参考訳）: ランサムウェアは、一時的および中間的なファイル間でファイル操作を断片化し、個々のI/Oイベントと包括的な暗号化キャンペーンを結びつけるセマンティックコンテキストを分散させる。
厳格なイベントシーケンスにマッチするパターンベースのメソッドや、多くのファイルにまたがる統計的証拠の蓄積を必要とする学習ベースのメソッドなどだ。
ファイルイベントガジェット(FEG)に因果関係のあるファイルイベントをグループ化し、複数の動的に生成されたファイルにまたがるファイル操作のシーケンスの背後にある全意図を意味的に一貫性のあるユニットにまとめることで、この断片化された分散コンテキストを再構築するフレームワークであるDEFEATを提案する。
プロセス、ファイル、ソケット、レジストリキーなど、OSのすべてのエンティティ間の関係を記録するシステム全体の因果グラフとは異なり、FEGは単一のユーザアセットのファイル操作コンテキストにスコープされ、システム全体のインスツルメンテーションなしで軽量なターゲット分析を可能にする。
各FEGは属性制御フローグラフ(ACFG)としてモデル化され、教師なしクラスタリングのためのグラフニューラルネットワークを介して組み込み、アナリストは個々のサンプルではなく、行動クラスタ全体のラベルを付けることができ、アノテーションの労力を94%削減できる。
67のランサムウェアファミリーにまたがる97,816,471のファイルI/Oイベントのコーパスで評価され、DEFEATは99.2%の精度で検出され、UNVEIL、RWGuard、Peelerといった最先端の手法を6.57から7.56%上回っている。
各ACFGは、正確に1つのFEG(ユーザアセットコンテキスト)を表すので、最初のファイル操作が完了するとクラスタラベルを割り当てることができ、最初の暗号化ファイルで検出できる。
関連論文リスト
- AsmRAG: LLM-Driven Malware Detection by Retrieving Functionally Similar Assembly Code [1.2183405753834562]
本稿では,AsmRAGについて紹介する。
このシステムは、LLM(Code-specialized Large Language Model)を使用してアセンブリ関数を分析し、それらをセマンティックな埋め込みに変換する。
そこで本研究では,バイナリ内の悪意論理の一次単位を分離し,検証可能な法医学的証拠を抽出し,回避の試みに抵抗する密度重み付きアンカー選択機構を提案する。
論文 参考訳（メタデータ） (2026-04-25T08:05:50Z) - FileGram: Grounding Agent Personalization in File-System Behavioral Traces [79.65734230265521]
FileGramは、エージェントメモリとファイルシステムの挙動トレースのパーソナライズを基盤とする包括的なフレームワークである。
FileGramEngine、FileGramBench、FileGramOSで構成されている。
このフレームワークをオープンソース化することで、パーソナライズされたメモリ中心のファイルシステムエージェントに関する将来の研究を支援したいと考えています。
論文 参考訳（メタデータ） (2026-04-06T17:49:31Z) - COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである
フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。
TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
論文 参考訳（メタデータ） (2026-03-25T07:20:27Z) - Multi-Vector Index Compression in Any Modality [73.7330345057813]
後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。
インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。
AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
論文 参考訳（メタデータ） (2026-02-24T18:57:33Z) - RAID: Retrieval-Augmented Anomaly Detection [67.48358323718817]
RAIDは、ノイズ耐性の異常検出と局所化のために設計された検索拡張UADフレームワークである。
RAIDは階層ベクトルデータベースからクラス、セマンティック、インスタンスレベルの表現を取得する。
RAIDはMVTec、VisA、MPDD、BTADベンチマークのフルショット、少数ショット、マルチデータセット設定で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-23T08:54:27Z) - Malicious Image Analysis via Vision-Language Segmentation Fusion: Detection, Element, and Location in One-shot [18.80045630689047]
画像に有害なコンテンツが含まれているかどうかを同時に検出するゼロショットパイプラインを導入する。
それぞれの重要な要素を特定し、それらの要素をピクセル精度のマスクでローカライズする。
このシステムは、画像を数秒で処理し、既存のVLMにシームレスにプラグインし、きめ細かな説明可能な悪意のある画像モデレーションのための最初の実用的なツールを構成する。
論文 参考訳（メタデータ） (2025-12-04T09:18:14Z) - Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。
本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。
我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文 参考訳（メタデータ） (2025-11-14T03:05:22Z) - Sharpening Kubernetes Audit Logs with Context Awareness [0.0]
K8sは、クラスタ内のAPIインタラクションを追跡する強力な機能である監査ログを提供する。
クラスタ内のすべてのコンポーネントが対話し、ユーザのアクションに応答するので、大量のデータを継続的に生成します。
K8NTEXTは、コンテキストを再構築することでK8s監査ログを合理化するための新しい手法である。
我々は,50,100以上の相関行動を含む複雑な操作であっても,常に正確なコンテキスト再構築を提供することを示す。
論文 参考訳（メタデータ） (2025-06-19T14:02:22Z) - Single-Shot and Multi-Shot Feature Learning for Multi-Object Tracking [55.13878429987136]
そこで本研究では,異なる目標に対して,単発と複数発の特徴を共同で学習するための,シンプルで効果的な2段階特徴学習パラダイムを提案する。
提案手法は,DanceTrackデータセットの最先端性能を達成しつつ,MOT17およびMOT20データセットの大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-11-17T08:17:49Z) - Host-Based Network Intrusion Detection via Feature Flattening and
Two-stage Collaborative Classifier [6.04077629908308]
NIDSとHIDSを組み合わせたハイブリッドネットワーク侵入検知システムを提案する。
ネットワーク侵入を識別するために、2段階のMLアルゴリズムをデプロイする2段階の協調分類器が導入された。
提案手法は、CICIDS 2018とNDSec-1という、よく知られた2つのデータセットにまたがって一般化される。
論文 参考訳（メタデータ） (2023-06-15T19:09:00Z)
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。