本文提出了一種名為 SLIC 的安全圖像編解碼器,透過在壓縮域嵌入浮水印來保護圖像的真實性,並有效抵禦未經授權的圖像篡改。
본 논문에서는 이미지 무단 조작을 방지하기 위해 압축 도메인에 워터마크를 삽입하는 새로운 방식인 SLIC(Secure Learned Image Codec)을 제안합니다. 워터마크가 삽입된 이미지는 재압축 시 눈에 띄는 품질 저하가 발생하여 이미지 무단 수정 및 재배포를 효과적으로 방어합니다.
SLIC is a novel secure image codec that embeds watermarks in the compressed domain, causing noticeable quality degradation upon re-compression of tampered images, thus deterring unauthorized image manipulation.
本文提出了一種名為 DynaMO 的動態模型混淆策略,透過耦合混淆深度學習運算子,有效保護行動裝置上的深度學習模型免受動態分析攻擊,並在安全性與效能之間取得平衡。
기존의 정적 모델 난독화 기법의 취약점을 분석하고, 동적 계측 공격에도 견 robust한 새로운 동적 모델 난독화 기법 DynaMO를 제시하여 모바일 딥러닝 모델 보안을 강화합니다.
モバイルアプリで広く利用されるディープラーニング(DL)モデルは、リバースエンジニアリングによる知的財産権の侵害や攻撃に脆弱であるため、動的な難読化手法であるDynaMOを提案し、モデルの安全性を大幅に向上させる。
DynaMO is a novel dynamic model obfuscation strategy that protects mobile deep learning models from reverse engineering attacks by coupling obfuscated operators and dynamically transforming weights during runtime, making it difficult for attackers to extract sensitive model information.
該研究提出了一種基於強化學習的惡意軟體法醫分析模型,旨在提高事件後調查的效率,通過自動化分析過程和適應不斷變化的惡意軟體特徵來減少誤報。
본 논문에서는 Q-러닝 기반 강화 학습 모델을 활용하여 사후 침해 맬웨어 조사를 자동화하고 효율성을 향상시키는 방법을 제시하며, 다양한 환경에서의 성능 결과와 한계점을 분석합니다.
強化学習は、マルウェアの事後調査を自動化し、進化する脅威への適応性を高める可能性を秘めているが、その有効性を最大限に引き出すには、報酬システム、特徴抽出、および従来のフォレンジック手法との統合に関するさらなる最適化が必要である。