arXivは10月13日(現地時間)、クラウド環境におけるクリプトジャッキング検出に適用される主要な古典的機械学習（ML）モデルの経験的評価に関する論文を公開しました。アミターブ・チャクラボルティ氏とネリー・エルサエド氏が発表した同論文は、前処理および評価プロトコルがモデルの性能に与える影響を検証。公共のクラウドネイティブなクリプトジャッキングデータセットが存在しないため、DS2OSとNSL-KDDの2つの公開済みプロキシデータセットを用いて実験を行いました。
本研究では、Random Forest（ランダムフォレスト）、XGBoost、LightGBM、Gradient Boosting（勾配ブースティング）、Decision Tree（決定木）、およびK-Nearest Neighbors（最近傍法、KNN）の6種類の機械学習モデルを評価しました。これらのモデルは、クラウド環境におけるクリプトジャッキング攻撃の検出において広く用いられるアプローチです。
実験結果は、前処理の選択と評価プロトコルがモデルの性能に測定可能で有意な影響を与えることを示しています。例えば、DS2OSデータセットを用いた場合、識別子関連の特徴量を除去すると、ほとんどのモデルで精度が約96%に低下しました。一方で、K-Nearest Neighbors（KNN）は、攻撃の再現率（Recall）は低いものの、高い精度を維持する傾向を示しました。
さらに、NSL-KDDデータセットを用いた評価では、特に未知の攻撃タイプを含む公式テストセットにおいて、モデルの精度が77%から80%に留まる結果となりました。これは、ランダムな訓練/テスト分割を用いた場合に記録された99.5%を超える高精度とは対照的であり、評価プロトコルの重要性を浮き彫りにしています。著者らは、この精度の低下が、現実世界での運用環境における未知の脅威への適応性に関する課題を示唆していると指摘しています。
本研究では、全体的な精度だけでなく、攻撃クラスの適合率（Precision）、再現率（Recall）、およびMatthews Correlation Coefficient（マシューズ相関係数、MCC）といった指標が、分類器の性能に関してより包括的かつ補完的な洞察を提供すると強調しています。これらの多角的な評価指標を用いることで、モデルの堅牢性や、特定の攻撃タイプに対する検出能力をより正確に把握できるとしています。
これらの結果は、一貫した実験設定の下で一般的に使用される古典的機械学習モデルの経験的比較を提供するとともに、前処理手法、データセットの選択、および評価手法が報告されるモデル性能にどのように影響するかについて、重要な洞察を提供します。研究者や実務家に対し、クラウドクリプトジャッキング検出モデルの開発と評価において、これらの要因を慎重に考慮する必要があることを示唆しています。
参考: arXiv cs.CR (アーカイブ) — 2026年10月16日 13:00 (JST)