論文の概要: CyberHull: Deterministic Malicious URL Isolation via Convex Hull
- arxiv url: http://arxiv.org/abs/2610.27675v1
- Date: Tue, 20 Oct 2026 05:43:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.664749
- Title: CyberHull: Deterministic Malicious URL Isolation via Convex Hull
- Title（参考訳）: CyberHull:Convex Hullによる決定論的悪意のあるURL分離
- Abstract要約: CyberHullは、悪意のあるURLを識別するためのリソース効率が高く決定的なフレームワークである。
URL分類は、標準的なCPUに比較的低い計算オーバーヘッドを課すポインター-ポイヘドロンテストによって行われる。
- 参考スコア（独自算出の注目度）: 1.667624513895632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of increasingly sophisticated and evasion-resistant phishing attack strategies represents a significant threat to modern cybersecurity, particularly in cyber-physical systems and internet-based networks. Traditional probabilistic methods and certain machine learning approaches often struggle to detect novel attacks and may lack interpretability or portability. To address these challenges, we introduce CyberHull, a resource-efficient and deterministic framework for identifying malicious URLs through mathematically defined convex hull boundaries across multiple orthogonal feature domains, including structural content entropy, hyperlink graph topology, and semantic token distribution. CyberHull constructs compact convex hulls, referred to as vaults, using the QuickHull algorithm, with a training complexity of O(n log n) under suitable assumptions. URL classification is performed through point-in-polyhedron tests that impose relatively low computational overhead on standard CPUs. Experimental results demonstrate that CyberHull achieves 92 percent detection accuracy, substantially outperforming a baseline linear approach based on Principal Component Analysis (PCA), which achieves 32 percent accuracy. Furthermore, CyberHull offers a computationally efficient alternative to resource-intensive deep learning approaches for malicious URL detection.
- Abstract（参考訳）: ますます洗練され、回避に抵抗するフィッシング攻撃戦略の出現は、現代のサイバーセキュリティ、特にサイバー物理システムやインターネットベースのネットワークにとって重大な脅威となっている。
従来の確率論的手法や特定の機械学習アプローチは、しばしば新しい攻撃を検出するのに苦労し、解釈可能性や移植性に欠ける。
これらの課題に対処するために、CyberHullは、構造的コンテンツエントロピー、ハイパーリンクグラフトポロジ、セマンティックトークン分布を含む複数の直交特徴領域にまたがる数学的に定義された凸境界によって、悪意のあるURLを識別するリソース効率が高く決定的なフレームワークである。
CyberHullは、QuickHullアルゴリズムを用いて、Vaultsと呼ばれるコンパクトな凸船体を構築し、適切な仮定の下でO(n log n)の訓練複雑性を持つ。
URL分類は、標準的なCPUに比較的低い計算オーバーヘッドを課すポインター-ポイヘドロンテストによって行われる。
実験の結果,CyberHullは検出精度92%を達成し,主成分分析(PCA)に基づくベースライン線形アプローチをほぼ上回り,精度は32%であった。
さらにCyberHullは、悪意のあるURL検出のためのリソース集約型ディープラーニングアプローチに代わる、計算的に効率的な代替手段を提供する。
関連論文リスト
- AI-Based Vulnerability Assessment Capability and Cyber Attack Graph Analysis [0.5621251909851629]
ミッションクリティカルなインフラをターゲットとするサイバー脅威は、ますます高度化しつつある。
アンチウイルスやファイアウォールのような従来のポイントソリューションは反応性があり、現代の攻撃面の複雑さに対処できない。
本稿では,2つの相補的手法を組み合わせた研究について述べる。
論文 参考訳（メタデータ） (2026-09-28T15:29:22Z) - CAHS-Attack: CLIP-Aware Heuristic Search Attack Method for Stable Diffusion [6.4760110921280045]
拡散モデルは、敵のプロンプトに直面すると顕著な脆弱さを示す。
本稿では,CLIP-Aware Heuristic Search攻撃法CAHS-Attackを提案する。
論文 参考訳（メタデータ） (2025-11-26T08:52:44Z) - PacketCLIP: Multi-Modal Embedding of Network Traffic and Language for Cybersecurity Reasoning [13.457018953474655]
PacketCLIPは、パケットデータと自然言語のセマンティクスを組み合わせたマルチモーダルフレームワークである。
セマンティック推論と効率的な分類を統合し、暗号化されたネットワークフローにおける異常の堅牢な検出を可能にする。
95%の平均AUCを達成し、ベースラインを11.6%上回り、モデルサイズを92%減らす。
論文 参考訳（メタデータ） (2025-03-05T18:58:58Z) - Efficient Phishing URL Detection Using Graph-based Machine Learning and Loopy Belief Propagation [12.89058029173131]
フィッシングURL検出のためのグラフベース機械学習モデルを提案する。
我々は、IPアドレスや権威名サーバのようなURL構造とネットワークレベルの機能を統合する。
実世界のデータセットの実験は、F1スコアを98.77%まで達成することで、我々のモデルの有効性を実証している。
論文 参考訳（メタデータ） (2025-01-12T19:49:00Z) - Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。
Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。
ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-28T00:09:46Z) - Using Graph Theory for Improving Machine Learning-based Detection of
Cyber Attacks [4.465883551216819]
ネットワーク侵入やサイバー脅威の早期発見は、サイバーセキュリティの主要な柱の1つだ。
この目的のための最も効果的なアプローチの1つは、人工知能アルゴリズムの助けを借りてネットワークトラフィックを分析することである。
論文 参考訳（メタデータ） (2024-02-12T18:44:02Z) - Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。
任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。
Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。
実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
論文 参考訳（メタデータ） (2022-09-09T13:34:51Z) - 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) - Online Adversarial Attacks [57.448101834579624]
我々は、実世界のユースケースで見られる2つの重要な要素を強調し、オンライン敵攻撃問題を定式化する。
まず、オンライン脅威モデルの決定論的変種を厳格に分析する。
このアルゴリズムは、現在の最良の単一しきい値アルゴリズムよりも、$k=2$の競争率を確実に向上させる。
論文 参考訳（メタデータ） (2021-03-02T20:36:04Z) - 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) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。