インペリアルカレッジロンドンの計算プライバシーグループの専門家はそれを発見しました人工知能（1xbet 安全）を使用して、クエリベース（QBS）システムの脆弱なデータ侵害を自動的に発見できます。
チームは、QBSシステムのデータ侵害を分析しました - アナリストがデータをクエリして世界に関する有用な集計情報を抽出できる制御インターフェイス。これにより、QuerySnoutと呼ばれる新しい1xbet 安全対応方法を開発することができました。
この研究の上級著者であるYves-Alexandre de Montjoye博士は、次のように述べています。これは、1xbet 安全が発見されるまでに長い時間がかかっていたことを意味し、システムはシステムを危険にさらします。
「QuerySnoutは、実際のシステムの脆弱性を発見する際に、すでに人間を上回っています。」
この研究は、の一部として公開されました29thACMコンピューターおよび通信セキュリティに関する会議.
クエリベースのシステムが必要な理由
データを収集および保存する能力は、過去10年間で大幅に増加しました。このデータは科学的進歩を促進するのに役立つにもかかわらず、そのほとんどは個人的なものであるため、なぜその使用が深刻なプライバシーの懸念を引き起こすのか。
これは、プライバシーに対する基本的な権利を保護しながら、データを適切に使用できるようにすることは、データサイエンティストとプライバシーの専門家にとってタイムリーで重要なプロセスであることを意味します。
QBSシステムには、規模でプライバシーを提供する匿名データ分析を可能にする可能性があります。キュレーターはデータを制御し続けるため、1xbet 安全を防ぐためにアナリストから送信されたクエリをチェックして調べることができます。
ただし、違法な攻撃者は個人情報を推測するためにクエリを設計することでこれらのシステムをバイパスできるため、このシステムには欠陥があります。彼らは、システム内の脆弱性または実装バグを活用することにより、特定の人々の情報を得て、深刻な1xbet 安全をもたらします。
QuerySnoutのテスト
ハッカーがシステムの欠陥を活用する未知の強力な「ゼロデイ」攻撃のリスクは、QBSシステムの開発を停止し、遅延させました。これらのシステムの強度をテストするために、情報漏れを検出し、考えられる欠陥を特定するために、1xbet 安全攻撃をシミュレートできます。
ただし、複雑なQBに対するこれらの攻撃を手動で設計および実装することは、困難で長いプロセスです。したがって、研究者によると、QBを安全に使用できるようにするには、セキュリティ攻撃の可能性を制限することが不可欠です。
QuerySnoutは、回答を得るためにシステムに尋ねる質問を学習することで機能します。その後、回答を自動的に組み合わせて、潜在的なプライバシーの脆弱性を検出することを学びます。
機械学習を使用することにより、モデルはクエリのコレクションで構成される1xbet 安全を作成できます。これらのクエリは、回答を組み合わせて、「進化的検索」と呼ばれる完全に自動化された手法を使用して個人情報を明らかにし、モデルが正しい質問のセットを発見できるようにします。
プロセスは「ブラックボックス設定」で行われるため、1xbet 安全は潜在的なデータ侵害を検出するためにどのように機能するかを知るのではなく、システムにアクセスするだけでいい。
この研究の共同著者であるAna-Maria Cretuは、次のように述べています。これは、私たちの1xbet 安全モデルがこれらの攻撃を見つけるのに人間よりも優れていることを意味します。」
より高度な1xbet 安全を発見するためのQuerySnoutをさらに開発する
現在、QuerySnoutシステムは、少数の潜在的な1xbet 安全のみをテストします。したがって、チームは、さらに複雑な脆弱性を検出するためにシステムをさらに進めようとしています。
De Montjoye博士によると、「今後の主な課題は、検索をはるかに多くの機能に拡大して、最も高度な攻撃でさえも発見することです。」
それにもかかわらず、モデルにより、アナリストはさまざまなタイプの攻撃者に対してQBの堅牢性をテストできます。 QuerySnoutの開発は、クエリベースのシステムに関連して個々のプライバシーを確保する上での重要な前進を表しています。
