마이크로 기업을 위한 위협 모델링 프레임워크 및 웹 기반 위협 모델링 도구 개발
본 논문에서는 사이버 보안 인식 및 전문성이 부족한 마이크로 기업을 위해 특별히 고안된 SEANCE라는 새로운 위협 모델링 프레임워크와 이를 기반으로 하는 웹 기반 위협 모델링 도구를 제시합니다.
深度學習模型的延遲後門功能攻擊
本文提出了一種針對深度學習模型的新型攻擊策略：延遲後門功能激活 (DBFA)。與傳統後門攻擊不同，DBFA攻擊在模型部署初期不會觸發惡意行為，而是在模型經過後續更新（例如使用良性數據進行微調）後才會被激活，從而繞過現有的檢測和防禦機制。
딥러닝 모델에 대한 지연 백도어 기능 공격
본 논문에서는 딥러닝 모델의 취약점인 백도어 공격을 탐지하기 어렵도록, 모델 업데이트 시까지 백도어 기능을 숨겼다가 활성화하는 새로운 공격 전략인 DBFA(Deferred Backdoor Functionality Activation)를 제안한다.
深層学習モデルに対する遅延型バックドア機能攻撃
深層学習モデルにおける従来のバックドア攻撃は、トリガー入力によって悪意のある機能が即座に発動するため、検出・防御メカニズムを回避するのが困難でした。本稿では、この課題を克服するために、モデルのファインチューニング後に初めてバックドア機能が活性化する「遅延型バックドア機能攻撃（DBFA）」という新しい攻撃手法を提案します。
A Dissertation Exploring Threat Modeling Frameworks and Developing a Web-Based Tool for Micro Businesses
Micro businesses (MBs) face unique challenges in implementing cybersecurity due to limited resources and technical expertise, necessitating a non-technical, asset-centric threat modeling framework and an accompanying web-based tool to bridge this gap.
Deferred Backdoor Functionality Activation (DBFA): A Stealthy Backdoor Attack on Deep Learning Models That Activates After Model Updates
A new backdoor attack paradigm, Deferred Backdoor Functionality Activation (DBFA), allows malicious functionality to be hidden in deep learning models, evading detection and activating only after benign model updates like fine-tuning.
基於可泛化模型的物聯網設備識別方法：GeMID
本文提出了一種名為 GeMID 的新型物聯網設備識別框架，該框架著重於構建可在不同網路環境中泛化的模型，並通過使用基於數據包特徵的機器學習方法，有效提高了設備識別的準確性和泛化能力。
クラウドベースのAI顔認証アクセス制御システム：可能性と課題
AI顔認証を用いたクラウドベースのアクセス制御システムは、従来のシステムに比べて安全性と効率性を向上させる可能性がある一方、顔の角度やなりすまし攻撃への脆弱性といった課題も存在する。
Evaluation of AWSecure: A Cloud-Based AI Facial Recognition Access Control System Using Raspberry Pi and AWS
This article presents AWSecure, a cloud-based access control system using AI facial recognition, and evaluates its performance in various real-world scenarios, highlighting its strengths, weaknesses, and areas for improvement.
IoT 기기 식별을 위한 일반화 가능 모델: GeMID
IoT 기기 식별을 위한 기계 학습 모델을 구축할 때, 다양한 네트워크 환경에서 모델의 일반화 가능성을 보장하는 것이 중요하며, 패킷 헤더 기반 기능을 사용하는 것이 네트워크 통계 또는 윈도우 기반 방법보다 성능이 우수하다.
