論文の概要: ROAD: The Real ORNL Automotive Dynamometer Controller Area Network
Intrusion Detection Dataset (with a comprehensive CAN IDS dataset survey &
guide)
- arxiv url: http://arxiv.org/abs/2012.14600v1
- Date: Tue, 29 Dec 2020 04:18:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 06:10:22.639479
- Title: ROAD: The Real ORNL Automotive Dynamometer Controller Area Network
Intrusion Detection Dataset (with a comprehensive CAN IDS dataset survey &
guide)
- Title(参考訳): ROAD: The Real ORNL Automotive Dynamometer Controller Area Intrusion Detection Dataset (包括的CAN IDSデータセットサーベイとガイド)
- Authors: Miki E. Verma and Michael D. Iannacone and Robert A. Bridges and
Samuel C. Hollifield and Bill Kay and Frank L. Combs
- Abstract要約: 公開可能なCAN侵入データセットの包括的調査について紹介する。
データとドキュメントの徹底的な分析に基づいて、データセットごとに詳細な説明を提供し、欠点、利点、提案されたユースケースを列挙します。
- 参考スコア(独自算出の注目度): 1.8594711725515678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Controller Area Network (CAN) protocol is ubiquitous in modern vehicles,
but the protocol lacks many important security properties, such as message
authentication. To address these insecurities, a rapidly growing field of
research has emerged that seeks to detect tampering, anomalies, or attacks on
these networks; this field has developed a wide variety of novel approaches and
algorithms to address these problems. One major impediment to the progression
of this CAN anomaly detection and intrusion detection system (IDS) research
area is the lack of high-fidelity datasets with realistic labeled attacks,
without which it is difficult to evaluate, compare, and validate these proposed
approaches. In this work we present the first comprehensive survey of publicly
available CAN intrusion datasets. Based on a thorough analysis of the data and
documentation, for each dataset we provide a detailed description and enumerate
the drawbacks, benefits, and suggested use cases. Our analysis is aimed at
guiding researchers in finding appropriate datasets for testing a CAN IDS. We
present the Real ORNL Automotive Dynamometer (ROAD) CAN Intrusion Dataset,
providing the first dataset with real, advanced attacks to the existing
collection of open datasets.
- Abstract(参考訳): controller area network (can)プロトコルは現代の車両で広く使われているが、メッセージ認証のような重要なセキュリティ特性を欠いている。
これらの不確実性に対処するために、これらのネットワークに対する改ざん、異常、または攻撃を検出する研究分野が急速に成長し、この分野はこれらの問題に対処する様々な新しいアプローチとアルゴリズムを開発してきた。
このCAN異常検出・侵入検知システム(IDS)研究領域の進展の大きな障害の1つは、現実的なラベル付き攻撃を伴う高忠実度データセットの欠如であり、これらのアプローチを評価、比較、検証することが困難である。
本研究では,公開可能なCAN侵入データセットの包括的調査を行う。
データとドキュメントの詳細な分析に基づいて、データセット毎に詳細な説明を提供し、欠点やメリット、提案されたユースケースを列挙します。
分析の目的は、研究者がcan idをテストするための適切なデータセットを見つけることにある。
我々は、Real ORNL Automotive Dynamometer (ROAD) CAN Intrusion Datasetを紹介する。
関連論文リスト
- Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。
そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文 参考訳(メタデータ) (2024-10-30T10:33:10Z) - AI-Driven Intrusion Detection Systems (IDS) on the ROAD Dataset: A Comparative Analysis for Automotive Controller Area Network (CAN) [4.081467217340597]
コントロールエリアネットワーク(CAN)バスは、電子制御ユニット(ECU)間の車内通信を管理する中央システムである。
CANプロトコルは、固有の脆弱性、暗号化と認証の欠如、攻撃面の拡大、堅牢なセキュリティ対策を必要とするセキュリティ上の問題を引き起こす。
本稿では、ステルスと洗練された注入を含む最新のROADデータセットについて考察する。
論文 参考訳(メタデータ) (2024-08-30T12:26:23Z) - Detecting Masquerade Attacks in Controller Area Networks Using Graph Machine Learning [0.2812395851874055]
本稿では,グラフ機械学習(ML)を用いたCANバスにおけるマスクレード攻撃検出のための新しいフレームワークを提案する。
本稿では,CANバスフレームをメッセージシーケンスグラフ(MSG)として表現し,時系列からコンテキスト統計属性を付加することにより,検出能力を向上できることを示す。
提案手法は,CANフレームの相互作用を包括的かつ動的に解析し,ロバスト性や効率性を向上する。
論文 参考訳(メタデータ) (2024-08-10T04:17:58Z) - UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。
我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。
これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
論文 参考訳(メタデータ) (2024-03-22T10:36:50Z) - Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。
この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。
制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
論文 参考訳(メタデータ) (2023-04-12T10:29:42Z) - X-CANIDS: Signal-Aware Explainable Intrusion Detection System for Controller Area Network-Based In-Vehicle Network [6.68111081144141]
X-CANIDSは、CANデータベースを使用して、CANメッセージのペイロードを人間の理解可能な信号に分解する。
X-CANIDSはトレーニングフェーズにラベル付きデータセットを必要としないため、ゼロデイ攻撃を検出することができる。
論文 参考訳(メタデータ) (2023-03-22T03:11:02Z) - CANShield: Signal-based Intrusion Detection for Controller Area Networks [29.03951113836835]
CANバスの信号に基づく侵入検知フレームワークであるCANShieldを提案する。
CanShieldは、信号レベルで高次元CANデータストリームを処理するデータ前処理モジュール、複数のディープオートエンコーダネットワークで構成されるデータアナライザモジュール、それぞれ異なる時間的視点から時系列データを解析するデータアナライザモジュール、アンサンブルメソッドを使用して最終的な決定を行うアタック検出モジュールの3つのモジュールで構成されている。
論文 参考訳(メタデータ) (2022-05-03T04:52:44Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳(メタデータ) (2021-09-12T15:51:41Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Time-Based CAN Intrusion Detection Benchmark [0.0]
車両制御システムはメッセージインジェクション攻撃に対して脆弱である。
タイムベースの侵入検知システム (IDS) が提案されている。
新たに公開されたROADデータセットに対して4つの時間ベースのIDSをベンチマークする。
また,軽量ハードウェアを用いたアフターマーケット用プラグイン検出器を開発した。
論文 参考訳(メタデータ) (2021-01-14T18:33:19Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳(メタデータ) (2020-01-06T13:37:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。