論文の概要: A Framework to Quantify the Probability of Future Cyber Loss Events

• arxiv url: http://arxiv.org/abs/2609.21717v1
• Date: Fri, 18 Sep 2026 12:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.088887
• Title: A Framework to Quantify the Probability of Future Cyber Loss Events
• Title（参考訳）: 将来のサイバーロスイベントの確率を定量化するフレームワーク
• Abstract要約: Loss Event Frequency Security Analyser (LEFSA) LEF推定を機械レベルのサイバーロスイベント(CLE)予測として再構成する確率フレームワークと階層的なインフラストラクチャレベルの集約を併用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cybersecurity risk quantification remains challenging due to limited operational data and difficulties in quantifying Loss Event Frequency (LEF). This paper introduces the Loss Event Frequency Security Analyser (LEFSA), a probabilistic framework that reformulates LEF estimation as machine-level Cyber Loss Event (CLE) prediction combined with hierarchical infrastructure-level aggregation. LEFSA estimates calibrated machine-level CLE probabilities from operational cybersecurity telemetry and aggregates them across infrastructure layers while accounting for machine-level dependencies. This provides a foundation for scalable, explainable, and operationally applicable cyber risk estimation at the level of machines, services, business processes, and the entire organization. The framework was evaluated using proprietary Managed Detection & Response telemetry from 23 organizations using Microsoft Defender for Endpoint. XGBoost achieved the strongest predictive performance, with a mean area under the receiver operating characteristic curve of 0.90 and consistently low calibration error across evaluation periods. The results demonstrate that operational cybersecurity telemetry contains substantial predictive information for future CLE occurrence, supporting probabilistic machine-level modeling and hierarchical aggregation as a promising foundation for quantitative, data-driven cyber risk management.
• Abstract（参考訳）: サイバーセキュリティのリスク定量化は、限られた運用データと損失事象頻度(LEF)の定量化が難しいため、依然として困難である。 本稿では,LEF推定を階層的なインフラストラクチャレベルの集約と組み合わせたマシンレベルのCyber Loss Event(CLE)予測として再構成する確率的フレームワークであるLoss Event Frequency Security Analyser(LEFSA)を紹介する。 LEFSAは、オペレーショナルサイバーセキュリティテレメトリからキャリブレーションされたマシンレベルのCLE確率を推定し、マシンレベルの依存関係を考慮に入れながら、インフラストラクチャ層にまたがってそれらを集約する。 これは、マシン、サービス、ビジネスプロセス、組織全体のレベルにおいて、スケーラブルで説明可能な、かつ運用的に適用可能なサイバーリスク推定の基盤を提供する。 このフレームワークは、Microsoft Defender for Endpointを使用して23の組織から、独自のManaged Detection & Responseテレメトリを使用して評価された。 XGBoostは最強の予測性能を達成し、受信機の動作特性曲線は0.90、キャリブレーション誤差は一貫して低い。 その結果,運用型サイバーセキュリティテレメトリには,将来的なCLE発生の予測情報が含まれており,定量的かつデータ駆動型サイバーリスク管理のための有望な基盤として,確率論的マシンレベルのモデリングと階層的アグリゲーションをサポートすることが示唆された。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR [3.0458514384586404]
  本稿では、ニューラルネットワーク検証のためのFazlyabの2次制約(QC)と半定値プログラミング(SDP)フレームワークを構築する。 この統合により、入力不確かさをカバーする楕円体、ポリトープ、超平面が拡張され、安全クリティカルドメインへの適用性も拡張される。
  論文  参考訳（メタデータ） (2025-09-22T07:04:53Z)
• Entity-Specific Cyber Risk Assessment using InsurTech Empowered Risk Factors [12.0472507787498]
  我々は、サイバーインシデントデータをエンティティ固有の属性で強化する新しいInsurTechフレームワークを開発した。 複数の解釈可能なML手法を応用し、潜在的なリスク要因を特定し、相互に検証する。 このフレームワークは、透明でエンティティ固有のサイバーリスクプロファイルを生成し、カスタマイズされたアンダーライトとアクティブなサイバーリスク軽減をサポートする。
  論文  参考訳（メタデータ） (2025-07-10T22:04:00Z)
• SIFBench: An Extensive Benchmark for Fatigue Analysis [20.941908494137806]
  機械学習はストレス強度因子(SIF)の予測に大きな可能性を示している SIFBenchはMLベースのSIF予測をサポートするために設計されたオープンソースの大規模ベンチマークデータベースである。 SIFBenchは、500万以上の異なるクラックと、高忠実度有限要素シミュレーションから派生したコンポーネントジオメトリを含んでいる。
  論文  参考訳（メタデータ） (2025-06-01T21:13:26Z)
• SeCodePLT: A Unified Platform for Evaluating the Security of Code GenAI [58.29510889419971]
  コード生成大型言語モデル(LLM)のセキュリティリスクと能力を評価するための既存のベンチマークは、いくつかの重要な制限に直面している。 手動で検証し、高品質なシード例から始める、汎用的でスケーラブルなベンチマーク構築フレームワークを導入し、ターゲット突然変異を通じて拡張する。 このフレームワークをPython、C/C++、Javaに適用すると、44のCWEベースのリスクカテゴリと3つのセキュリティ機能にまたがる5.9k以上のサンプルデータセットであるSeCodePLTが構築されます。
  論文  参考訳（メタデータ） (2024-10-14T21:17:22Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [54.34189781923818]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)

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。