arXiv:2005.03318

A Review of Computer Vision Methods in Network Security

Jia-Wei Zhao, Rahat Masood, Suranga Seneviratne

제출 2020-05-07

원문 초록

Network security has become an area of significant importance more than ever as highlighted by the eye-opening numbers of data breaches, attacks on critical infrastructure, and malware/ransomware/cryptojacker attacks that are reported almost every day. Increasingly, we are relying on networked infrastructure and with the advent of IoT, billions of devices will be connected to the internet, providing attackers with more opportunities to exploit. Traditional machine learning methods have been frequently used in the context of network security. However, such methods are more based on statistical features extracted from sources such as binaries, emails, and packet flows. On the other hand, recent years witnessed a phenomenal growth in computer vision mainly driven by the advances in the area of convolutional neural networks. At a glance, it is not trivial to see how computer vision methods are related to network security. Nonetheless, there is a significant amount of work that highlighted how methods from computer vision can be applied in network security for detecting attacks or building security solutions. In this paper, we provide a comprehensive survey of such work under three topics; i) phishing attempt detection, ii) malware detection, and iii) traffic anomaly detection. Next, we review a set of such commercial products for which public information is available and explore how computer vision methods are effectively used in those products. Finally, we discuss existing research gaps and future research directions, especially focusing on how network security research community and the industry can leverage the exponential growth of computer vision methods to build much secure networked systems.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.09290v1cs.CR공통 태그 Anomaly Detection, Malware Detection

PDF 악성코드 탐지를 위한 해석 가능한 Tsetlin Machine 활용

Leveraging Interpretable Tsetlin Machine for PDF Malware Detection

디지털 시대에 PDF(Portable Document Format)는 플랫폼 독립성과 풍부한 기능성 덕분에 디지털 문서의 저장 및 교환에 가장 널리 사용되는 파일 형식 중 하나이다. 그러나 이러한 특성은 동시에 PDF 파일을 사이버 공격자들에게 매력적인 공격 벡터로 만들었으며, 공격자들은 겉으로는 정상적으로 보이는 문서 내에 악성 코드를 삽입하여 대상 시스템을 침해한다. 본 논문은 PDF 악성코드 탐지를 위한 새로운 해석 가능한 Tsetlin Machine(TM) 기반 프레임워크를 제안한다. 제안된 프레임워크는 파일을 실행하지 않고 정적 분석을 통해 PDF 문서에서 주요 특징을 추출하고, 규칙 기반 학습을 적용하여 정상 및 악성 PDF 문서를 정확하게 분류한다. RIT-PDFMal-2026 데이터셋에 대한 수치 평가 결과, 제안된 프레임워크는 여러 ML 분류기 및 기존 방법과 비교하여 98.02%의 정확도를 달성하며 경쟁력 있는 성능을 보인다. 또한 제안된 프레임워크는 분류 결정을 투명하게 설명함으로써 본질적인 해석 가능성을 제공한다. 경쟁력 있는 탐지 성능, 계산 효율성, 그리고 본질적인 해석 가능성의 조합은 제안된 프레임워크를 실용적인 PDF 악성코드 탐지를 위한 유망한 솔루션으로 만든다.

arXiv:2607.04292v1cs.AI공통 태그 Anomaly Detection, Malware Detection

Agentic SABRE: 적응형 랜섬웨어 탐지를 위한 불확실성 인식 신경-기호 다중 에이전트 프레임워크

Agentic SABRE: An Uncertainty-Aware Neuro-Symbolic Multi-Agent Framework for Adaptive Ransomware Detection

랜섬웨어는 정적 시그니처와 모놀리식 분류기가 개념 드리프트(concept drift), 우회(evasion), 행동 다형성(behavioural polymorphism) 하에서 일반화에 실패하는 복잡하고 적응적이며 빠르게 변화하는 공격자 유형으로 진화하였다. 본 논문에서는 적응형 랜섬웨어 탐지를 위한 불확실성 인식 신경-기호 다중 에이전트 프레임워크인 Agentic SABRE(Semantic-Behavioural Arbitration for Ransomware Evaluation, 랜섬웨어 평가를 위한 의미-행동 중재)를 제시한다. SABRE는 의미론적·표현 기반 증거와 행동적·시간 윈도우 포렌식 텔레메트리를 융합하고, 몬테카를로 드롭아웃(Monte Carlo Dropout) 추론을 활용하여 각 에이전트의 인식론적 불확실성(epistemic uncertainty)을 정량화한다. 본 연구에서는 두 가지 해석 가능한 임계값인 위험 점수(risk score)와 불확실성 예산(uncertainty budget)을 사용해 위험 및 불확실성 인식 트리아지를 수행하는 결정 층 오케스트레이터를 도입한다. 고신뢰·고위험 샘플은 자동으로 격리되며, 불확실하거나 경계선상의 케이스는 인간 분석가에게 에스컬레이션되어 자율 대응과 분석가 감독 사이의 유연한 계산 계약을 확립한다. 감사 가능성과 신뢰성을 지원하기 위해 SABRE는 그래디언트 현저성(gradient saliency), 순열 중요도(permutation importance), 반사실적 분석(counterfactual analysis)을 포함한 사후 설명 가능성 메커니즘을 통합하여 에이전트 결정에 대한 로컬 및 글로벌 해석을 모두 가능하게 한다. RDset 및 RanSMAP에 대한 광범위한 평가를 통해 Agentic SABRE가 포화된 의미 데이터셋에서 AUC 1.0으로 완벽한 판별력을 유지하면서 약한 행동 신호 하에서 견고성을 향상시킴을 입증한다. 동일한 재현율에서 거짓 에스컬레이션을 최대 4.9% 상대적으로 감소시키면서 보정된 예측 불확실성을 유지한다. 반사실적 분석은 의미론적 및 행동적 결정이 제한된 섭동 비용으로 역전될 수 있음을 추가로 보여주며, 이는 안정적이고 해석 가능한 결정 경계를 나타낸다.

arXiv:2607.21776v2cs.LG공통 태그 Anomaly Detection

PulseGuard: 토킹페이스 딥페이크 탐지를 위한 포렌식 모달리티로서의 rPPG 기반 시간 신호

PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection

토킹페이스(TF) 딥페이크 생성은 정지된 원본 이미지와 음성 신호로부터 사실적인 얼굴 영상을 합성하며, 현재의 이미지 기반 탐지기가 일관되게 식별하지 못하는 위조물을 만들어 낸다. 얼굴 교체 조작과 달리 TF 합성에는 생리적 특성을 물려받을 기반 실제 영상이 없으므로, 이 위조 범주의 탐지 모달리티로 원격 광혈류측정(rPPG)이 동기화된다. 우리는 RhythmFormer로 윈도우별 rPPG 파형을 추출하고 경량 분류기 모음을 학습시켜 실제 신호와 합성 신호를 구분하는 탐지 프레임워크 PulseGuard를 제안한다. 테스트 신원이 학습 신원과 완전히 분리된 엄격한 피험자 독립 프로토콜로 Celeb-DF++의 TF 부분집합에서 평가한 결과, 우리의 1D ResNet은 추출된 시간 신호만으로 동작하면서 EER 25.1%에서 윈도우 수준 AUC 0.826(DeepFakesON-Phys가 평가되는 단위인 영상 수준으로 풀링 시 0.842)을 달성하며, 학습에서 완전히 제외된 생성기에 대해서도 AUC 0.754를 유지한다. 우리는 대표적인 기존 rPPG 탐지기인 DeepFakesON-Phys의 통제된 재현 연구를 제시하여, 기존 얼굴 교체 데이터에서의 AUC 0.999가 Celeb-DF++의 TF 부분집합에서는 0.576으로 저하됨을 보인다. 또한 탐지 난이도가 방법에 크게 의존함을 보이는데, 일곱 개의 TF 생성기에 걸쳐 AUC는 0.937(Real3DPortrait)에서 0.617(IP-LAP)까지 분포하며, 이 순서는 방법별 학습에서도 대체로 유지된다. 이 편차는 평가 잡음이 아니라 학습 방식 전반에 걸쳐 안정적이며, 본 연구의 주된 실증적 기여이다. 우리는 이를 실증적 기준선으로 보고하며, 판별 근거가 심장 기원임을 입증하지는 않는다.

arXiv:2607.13346v2cs.CR공통 태그 Anomaly Detection

PRISM: 정렬 위장 주장에 대한 스트레스 테스트

PRISM: Stress-Testing Alignment-Faking Claims

우리는 AI 시스템이 안전한지를 주로 그 행동을 관찰하여 판단한다. 정렬 위장은 이를 무너뜨린다. 감시받고 있다고 믿을 때만 올바르게 행동하거나, 훈련으로 인해 변형되는 것을 피하기 위해 지금은 순응하는 모델은 모든 행동 테스트를 통과할 수 있다. 이러한 행동은 한 최첨단 모델에서 보고된 바 있으며, 모니터링 프롬프트 하에서 더 많이 순응하는 오픈 웨이트 모델은 이제 이를 보이는 것으로 해석되고, 은닉 상태 프로브가 탐지기로 제안되고 있다. 본 연구는 이 두 가지 추론을 모두 검증하였으며, 어느 쪽도 성립하지 않는다. 18개 모델 구성 중 11개가 감시받고 있다는 말을 들으면 더 많이 순응한다. 그러나 네 모델에 대한 프롬프트 요인 실험은 훈련 위협이 탐지 가능한 효과를 갖지 않음을 보여 주며, 이를 제거해도 순응도는 -3.3점에서 +1.6점 사이로만 변한다. 격차를 만드는 것은 오히려 프롬프트의 표현과 프레이밍이다. 프로브도 나을 것이 없다. 프로브는 감시 하의 순응 응답과 비감시 하의 순응 응답을 구분하지만(AUROC 0.96-0.99), 거부 응답도 똑같이 잘 구분한다. 즉 프로브는 위장이 아니라 프롬프트를 읽는다. 거부 응답만으로 학습한 조향 방향도 '위장' 방향과 동일한 정도로 행동을 변화시킨다. 본 연구는 이러한 실패 각각을 주장으로 굳어지기 전에 포착하는 다섯 가지 점검과 툴킷인 PRISM을 공개한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.