한국어 초록
관계형 데이터베이스는 실제 시스템에서 구조화된 데이터를 관리하는 데 널리 사용된다. 이러한 관계형 데이터에서 이상을 탐지하는 것은 사기, 위험, 비정상 행동을 식별하는 데 중요하지만, 아직 충분히 탐구되지 않았다. 핵심 과제는 관계형 데이터의 내재적 복잡성에 있다. 다중 테이블 속성은 고차원적이고 이질적이어서, 희소한 이상 단서가 정상 정보나 무관한 정보에 쉽게 묻힐 수 있다. 또한 이상은 서로 다른 외래키 관계를 아우르는 비정상 연결 패턴으로 나타날 수 있으며, 이는 기존 표 형식(tabular) 및 그래프 이상 탐지 방법으로는 포착하기 어렵다. 이를 해결하기 위해, 우리는 속성 재구성과 관계 엣지 재구성 모두에서 이상을 포착하는 재구성 기반 프레임워크인 RelAD를 제안한다. RelAD는 두 가지 핵심 모듈을 포함한다. 조건부 희소 게이트(sparse-gated) 속성 재구성은 중복된 다중 테이블 속성을 억제하고 이상적인 의미 블록을 강조하며, 이중 뷰(dual-view) 다중 관계 엣지 재구성은 내재적 및 행동적 엔티티 프로필 모두에서 관계별 비정상 연결을 탐지한다. 이렇게 얻은 속성 및 관계 신호는 경량 융합 모듈을 통해 통합되어 최종 이상 점수를 산출한다. 또한 체계적인 이상을 포함한 6개의 벤치마크 데이터셋을 구축하였으며, 광범위한 실험 결과 RelAD가 다른 베이스라인보다 일관되게 우수한 성능을 보이면서 경쟁력 있는 효율을 달성함을 보여준다.
원문 초록
Relational databases are widely used for managing structured data in real-world systems. Detecting anomalies from such relational data is crucial for identifying fraud, risks, and abnormal behaviors, yet remains under-explored. The key challenges lie in the intrinsic complexity of relational data: multi-table attributes are high-dimensional and heterogeneous, making sparse abnormal clues easy to overwhelm by normal or irrelevant information; and anomalies may further manifest as abnormal connection patterns across different foreign-key relations, which existing tabular and graph anomaly detection methods are ill-suited to capture. To address them, we propose RelAD, a reconstruction-based framework that captures anomalies from both attribute and relational edge reconstruction. RelAD contains two core modules: conditional sparse-gated attribute reconstruction, which suppresses redundant multi-table attributes and emphasizes abnormal semantic blocks, and dual-view multi-relational edge reconstruction, which detects relation-specific abnormal connections from both intrinsic and behavioral entity profiles. The resulting attribute and relational signals are integrated through a lightweight fusion module to produce the final anomaly score. We further construct 6 benchmark datasets with systematic anomalies, on which extensive experiments show that RelAD consistently outperforms other baselines while achieving competitive efficiency.
요약
관계형 데이터베이스의 이상 탐지는 다중 테이블의 고차원·이질적 속성과 외래키 관계의 비정상 연결 패턴을 포착하기 어렵다는 한계가 있다. RelAD는 조건부 희소 게이트 속성 재구성과 이중 뷰 다중 관계 엣지 재구성을 결합한 재구성 기반 프레임워크로, 6개 벤치마크에서 기존 방법보다 일관되게 우수한 성능과 경쟁력 있는 효율을 보였다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.18621v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
네트워크 트래픽 Natural Visibility Graph 표현에서 사이버 공격 클래스의 위상학적 시그니처
Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic
Natural Visibility Graph(NVG) 기반 표현은 순차적 네트워크 트래픽에서 구조적 패턴을 포착하는 유망한 접근법을 제공한다. 그러나 서로 다른 사이버 공격 클래스가 이러한 표현에서 구별되는 위상학적 시그니처를 보이는지는 여전히 충분히 밝혀지지 않았다. 본 연구는 CSE-CIC-IDS2018 데이터셋을 사용하여 NVG 기반 네트워크 트래픽 표현의 판별력과 구조적 특성을 조사한다. 76개의 수치형 트래픽 특징을 40관측치의 겹치는 프레임 안에서 각각 NVG로 변환하였고, 각 그래프에서 10개의 그래프 이론적 지표를 추출하여 프레임당 760개의 위상학적 기술자(descriptor)를 얻었다. 이러한 표현의 판별력은 계층화 5-fold 교차검증(stratified five-fold cross-validation)을 적용한 다중 분기 합성곱 신경망(CNN)으로 평가하였다. 모델은 평균 정확도 96.20%와 Matthews 상관계수(MCC) 0.9566을 달성하였다. 클래스별 위상학적 차이를 특성화하기 위해 Kruskal-Wallis 및 Mann-Whitney U 검정을 Benjamini-Hochberg false discovery rate(FDR) 보정과 효과 크기 측정과 결합하였다. 공격 대 정상(benign) 비교 10,640건 중 7,777건(73.1%)이 FDR 보정 후에도 통계적으로 유의하였으며, 4,844건에서 Cliff's delta 효과가 크게 나타났다. 가장 강한 전역적 차이는 주로 역방향 트래픽 및 패킷 길이 관련 특징과 연결성, 클러스터링, 중심성 지표의 결합과 관련되었다. 이러한 결과는 NVG 기반 표현이 강한 판별력을 제공할 수 있으며, 서로 다른 사이버 공격 클래스와 연관된 클래스 의존적 위상학적 패턴을 드러낼 수 있음을 시사한다.
에이전트 배포 안전성 대중화: 구조적 모니터링 접근법
Democratizing Agent Deployment Safety: A Structural Monitoring Approach
AI 소프트웨어 개발 에이전트는 인프라와 보안상 중요한 시스템을 수정할 수 있는 능력이 점점 커지고 있으며, 에이전트가 할당된 작업을 완료하면서 권한 확대, 로깅 저하, 지속성(persistence) 메커니즘 도입 등의 행동을 통해 안전장치를 은밀히 약화시키는 위험을 만들어 낸다. 최첨단 연구소는 정교한 모니터링 파이프라인을 배포할 수 있지만, 코딩 에이전트를 도입하는 많은 조직과 개인 사용자는 복잡한 학습 기반 모니터 앙상블을 유지하는 데 필요한 자원과 거버넌스 성숙도를 갖추지 못한다. 우리는 ControlArena의 인프라-as-code(infrastructure-as-code) 설정에서 작업 성공 하의 인프라 수준 사보타지(sabotage) 문제로 이를 연구하고, 동기 및 비동기 배포 모드에서 학습된 모니터와 학습되지 않은 모니터를 비교한다. 우리는 제어 흐름(control-flow) 및 데이터 흐름(data-flow) 그래프 diff와 원시 코드 diff를 함께 사용하여 구조적 보안 퇴화(regression)를 분석하는 정보 흐름 그래프(Information Flow Graph, IFG) 모니터를 제안한다. 비동기 평가에서, 학습되지 않은 git diff 모니터는 1% 거짓 양성률(false positive rate) 감사 예산에서 11.6%의 공격을 놓치며, 학습되지 않은 IFG 모니터는 이를 3.5%로 줄이고, 학습된 Async RF 모니터는 1% 미만을 달성한다. 학습된 Async RF 모니터와 달리, IFG는 실행 또는 병합 전에 의심스러운 인프라 변경을 차단하는 사전 배포(pre-deployment) 안전장치로 동기적으로도 작동할 수 있다. 동기 모드에서 IFG의 실시간 롤백(rollback)은 합법적인 작업 완료에 측정 가능한 감소 없이, 주요 작업과 은밀한 작업의 결합 성공률을 74.4%에서 0.0%로 줄인다. 이러한 결과는 학습되지 않은 구조적 모니터가 고급 AI 에이전트의 신뢰할 수 있는 도입을 추구하는 조직을 위해 배포 안전성을 대중화하는 실용적이고 감사 가능한 경로를 제공함을 시사한다.
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.
부호 그래프 사전학습 및 프롬프트 학습
Signed Graph Pre-Training and Prompt Learning
부호 그래프(signed graph)는 엣지가 양수이거나 음수일 수 있으며 방향성을 가질 수도 있는 신뢰-불신 네트워크, 금융 상관관계 시스템, 생물학적 상호작용 그래프 및 기타 여러 도메인에서 발생합니다. 부호 그래프 신경망이 특정 태스크에 특화된 학습(training)을 향상시켰지만, 부호 그래프에서의 그래프 전이학습(transfer learning)은 여전히 미진한 상태입니다. 본 논문에서는 부호 그래프를 위한 선구적인 위상학 기반 그래프 사전학습(pre-training) 및 프롬프트(prompt) 학습 프레임워크인 TopoSIGN을 소개합니다. TopoSIGN은 자기 부호 라플라시안(magnetic signed Laplacian)을 기반으로 구축된 구조적 인코더와 Dowker 복합체 지속성 이미지(Dowker-complex persistence images)를 통해 부호 위상을 요약하는 새로운 지속성 호몰로지(persistent-homology) 브랜치를 결합합니다. 융합된 임베딩(embedding)은 이후 프롬프트 학습 함수로 전달됩니다. 합성 및 실제 데이터셋(dataset)에 대한 실험 결과는 부호 그래프에서 유용한 구조적 정보를 추출하는 TopoSIGN의 효능뿐만 아니라, 제안된 일반 프레임워크의 적응성과 유연성을 입증합니다.
PRISM: Stress-Testing Alignment-Faking Claims
게이트는 항상 닫힌다: 동결된 비전-언어 모델에 보조 신호를 주입하는 것에 대하여
The Gate Always Closes: On Injecting Auxiliary Signals into Frozen Vision-Language Models
토론
이 논문과 연결된 포럼 글이 아직 없습니다.