論文の概要: Hardware-Assisted Multi-Stage Ransomware Detection with Adaptive Machine Learning

• arxiv url: http://arxiv.org/abs/2610.15951v1
• Date: Sun, 11 Oct 2026 22:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.275038
• Title: Hardware-Assisted Multi-Stage Ransomware Detection with Adaptive Machine Learning
• Title（参考訳）: 適応機械学習を用いたハードウェア支援マルチステージランサムウェア検出
• Abstract要約: 本稿では,ハードウェアレベルのマイクロプロセッサアクティビティモニタリングとソフトウェアレベルのスキャンを併用して,効率的なランサムウェア検出と緩和を実現する新しいフレームワークを提案する。 我々は,難読化に対する静的解析を強固にするために,逆行訓練を採用する。 我々は、ニューラルネットワークサーチ(NAS)を統合して、より強力な一般化性のためのモデルを自動的に調整する。
• 参考スコア（独自算出の注目度）: 1.9787755886350766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ransomware is a fast-escalating privacy threat causing significant financial and data losses worldwide. As attacks grow more sophisticated, traditional static signatures and dynamic behavior analysis struggle to defend. In this paper, we propose an novel framework that couples software-level scanning with hardware-level microprocessor activity monitoring to achieve efficient ransomware detection and mitigation. The contributions are threefold: (1) we employ adversarial training to harden static analysis against obfuscation and leverage hardware-assisted monitoring for real-time detection; (2) we integrate neural architecture search (NAS) to automatically tailor models for stronger generalizability; and (3) We validate the proposed approach through extensive experiments, demonstrating substantially improved detection accuracy and reduced latency compared with existing methods. Moreover, it provides trace-level interpretability that explains the underlying decision process.
• Abstract（参考訳）: ランサムウェアは急速にエスカレートするプライバシーの脅威であり、世界中で金融とデータに大きな損失をもたらしている。 攻撃が高度化するにつれて、従来の静的シグネチャと動的な振る舞い分析は防御に苦労する。 本稿では,ソフトウェアレベルのスキャンとハードウェアレベルのマイクロプロセッサのアクティビティモニタリングを併用して,ランサムウェアの効率的な検出と緩和を実現する新しいフレームワークを提案する。 提案手法は,(1)難読化に対する静的解析の強化と,ハードウェア支援によるリアルタイム検出の活用,(2)ニューラルネットワーク探索(NAS)を統合して,より強力な一般化性を持つモデルを自動的に調整すること,(3)より広範な実験により提案手法の有効性を検証し,既存の手法と比較して検出精度とレイテンシの大幅な改善を実証する。 さらに、下層の意思決定プロセスを説明する、トレースレベルの解釈性を提供します。

関連論文リスト

• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• Towards Low-Latency and Adaptive Ransomware Detection Using Contrastive Learning [1.338174941551702]
  ランサムウェアは、その急速な進化、早期発見の必要性、多様性の増大により、サイバーセキュリティにとって重要な脅威となっている。 既存のメソッドには,アドホックな機能依存,応答の遅れ,目に見えない変種への適応性の制限という,3つの大きな制限がある。 これらの課題に対処するために,自己教師付きコントラスト学習とニューラルアーキテクチャサーチ(NAS)を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-24T18:33:52Z)
• Certifiably robust malware detectors by design [48.367676529300276]
  設計によるロバストなマルウェア検出のための新しいモデルアーキテクチャを提案する。 すべての堅牢な検出器を特定の構造に分解することができ、それを経験的に堅牢なマルウェア検出器の学習に適用できることを示す。 我々のフレームワークERDALTはこの構造に基づいている。
  論文  参考訳（メタデータ） (2025-08-10T09:19:29Z)
• Decentralized Entropy-Driven Ransomware Detection Using Autonomous Neural Graph Embeddings [0.0]
  このフレームワークはノードの分散ネットワークで動作し、単一障害点を排除し、ターゲット攻撃に対するレジリエンスを強化する。 グラフベースのモデリングと機械学習技術の統合により、このフレームワークは複雑なシステムインタラクションをキャプチャできる。 ケーススタディでは、実世界のシナリオでの有効性を検証するとともに、ランサムウェア攻撃を開始後数分で検出し軽減する能力を示している。
  論文  参考訳（メタデータ） (2025-02-11T11:59:10Z)
• Intelligent Code Embedding Framework for High-Precision Ransomware Detection via Multimodal Execution Path Analysis [0.0]
  マルチモーダル実行経路解析によりランサムウェアの活動を特定する新しいフレームワークを開発した。 高次元の埋め込みと動的導出機構を統合し、多様な攻撃変異体にわたる行動パターンをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-27T07:51:51Z)
• A survey on hardware-based malware detection approaches [45.24207460381396]
  ハードウェアベースのマルウェア検出アプローチは、ハードウェアパフォーマンスカウンタと機械学習技術を活用する。 このアプローチを慎重に分析し、最も一般的な方法、アルゴリズム、ツール、および輪郭を形成するデータセットを解明します。 この議論は、協調的有効性のための混合ハードウェアとソフトウェアアプローチの構築、ハードウェア監視ユニットの不可欠な拡張、ハードウェアイベントとマルウェアアプリケーションの間の相関関係の理解を深めている。
  論文  参考訳（メタデータ） (2023-03-22T13:00:41Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)

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。