Fugu-MT 論文翻訳(概要): GRAVITAS: Graphical Reticulated Attack Vectors for Internet-of-Things Aggregate Security

論文の概要: GRAVITAS: Graphical Reticulated Attack Vectors for Internet-of-Things Aggregate Security

arxiv url: http://arxiv.org/abs/2106.00073v1
Date: Mon, 31 May 2021 19:35:23 GMT
ステータス: 処理完了
システム内更新日: 2021-06-03 07:02:07.118939
Title: GRAVITAS: Graphical Reticulated Attack Vectors for Internet-of-Things Aggregate Security
Title（参考訳）: GRAVITAS:インターネット・オブ・Thingsアグリゲート・セキュリティのためのグラフィカル・レチケーション・アタック・ベクター
Authors: Jacob Brown, Tanujay Saha, Niraj K. Jha
Abstract要約: IoT(Internet-of-Things)とサイバー物理システム(CPS)は、複雑なネットワークトポロジで接続された何千ものデバイスで構成されている可能性がある。我々は、未発見の攻撃ベクトルを識別できるIoT/CPSのための包括的リスク管理システムGRAVITASについて述べる。
参考スコア（独自算出の注目度）: 5.918387680589584
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Internet-of-Things (IoT) and cyber-physical systems (CPSs) may consist of thousands of devices connected in a complex network topology. The diversity and complexity of these components present an enormous attack surface, allowing an adversary to exploit security vulnerabilities of different devices to execute a potent attack. Though significant efforts have been made to improve the security of individual devices in these systems, little attention has been paid to security at the aggregate level. In this article, we describe a comprehensive risk management system, called GRAVITAS, for IoT/CPS that can identify undiscovered attack vectors and optimize the placement of defenses within the system for optimal performance and cost. While existing risk management systems consider only known attacks, our model employs a machine learning approach to extrapolate undiscovered exploits, enabling us to identify attacks overlooked by manual penetration testing (pen-testing). The model is flexible enough to analyze practically any IoT/CPS and provide the system administrator with a concrete list of suggested defenses that can reduce system vulnerability at optimal cost. GRAVITAS can be employed by governments, companies, and system administrators to design secure IoT/CPS at scale, providing a quantitative measure of security and efficiency in a world where IoT/CPS devices will soon be ubiquitous.
Abstract（参考訳）: internet-of-things(iot)とcyber-physical systems(cpss)は、複雑なネットワークトポロジーで接続された数千のデバイスで構成される。これらのコンポーネントの多様性と複雑さは巨大な攻撃面を示し、敵は異なるデバイスのセキュリティ脆弱性を利用して強力な攻撃を行うことができる。これらのシステムにおける個々のデバイスのセキュリティを改善するために、大きな努力がなされているが、総じてセキュリティにはほとんど注意が払われていない。本稿では,未発見の攻撃ベクトルを識別し,システム内の防御の配置を最適化し,性能とコストを最適化する,GRAVITASと呼ばれるIoT/CPSの総合的リスク管理システムについて述べる。既存のリスク管理システムは既知の攻撃のみを考慮しているが、このモデルは、未発見のエクスプロイトを推論するために機械学習アプローチを採用しており、手作業による侵入テスト(pen-testing)によって見過ごされる攻撃を特定することができる。このモデルは、実質的に任意のIoT/CPSを分析し、システム管理者に最適なコストでシステムの脆弱性を減らすための具体的な防御策のリストを提供するのに十分な柔軟性がある。 GRAVITASは、政府、企業、システム管理者が大規模にセキュアなIoT/CPSを設計するために使用できる。

関連論文リスト

Securing Legacy Communication Networks via Authenticated Cyclic Redundancy Integrity Check [98.34702864029796]
認証サイクル冗長性チェック(ACRIC)を提案する。 ACRICは、追加のハードウェアを必要とせずに後方互換性を保持し、プロトコルに依存しない。 ACRICは最小送信オーバーヘッド(1ms)で堅牢なセキュリティを提供する。
論文参考訳（メタデータ） (2024-11-21T18:26:05Z)
SoK: A Systems Perspective on Compound AI Threats and Countermeasures [3.458371054070399]
我々は、複合AIシステムに適用可能な、異なるソフトウェアとハードウェアの攻撃について議論する。複数の攻撃機構を組み合わせることで、孤立攻撃に必要な脅威モデル仮定をいかに削減できるかを示す。
論文参考訳（メタデータ） (2024-11-20T17:08:38Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
A Novel Online Incremental Learning Intrusion Prevention System [2.5234156040689237]
本稿では,自己組織型インクリメンタルニューラルネットワークとサポートベクトルマシンを併用したネットワーク侵入防止システムを提案する。提案システムは,その構造上,シグネチャやルールに依存しないセキュリティソリューションを提供するとともに,既知の攻撃や未知の攻撃を高精度にリアルタイムに軽減することができる。
論文参考訳（メタデータ） (2021-09-20T13:30:11Z)
Automated Security Assessment for the Internet of Things [6.690766107366799]
我々はIoTネットワークの自動セキュリティアセスメントフレームワークを提案する。我々のフレームワークは、まず機械学習と自然言語処理を利用して脆弱性記述を分析する。このセキュリティモデルは、潜在的な攻撃経路をキャプチャすることで、IoTネットワークのセキュリティを自動的に評価する。
論文参考訳（メタデータ） (2021-09-09T04:42:24Z)
Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
論文参考訳（メタデータ） (2021-06-17T05:11:07Z)
Clustering Algorithm to Detect Adversaries in Federated Learning [0.6091702876917281]
本稿では,クラスタリングアルゴリズムの助けを借りて敵を検出する手法を提案する。提案手法では,クライアント側からの処理能力は必要とせず,帯域幅の超過は不要である。我々のアプローチは、40%の敵が存在する場合でも、グローバルモデルの精度を99%まで向上させることに成功した。
論文参考訳（メタデータ） (2021-02-22T06:49:59Z)
SHARKS: Smart Hacking Approaches for RisK Scanning in Internet-of-Things and Cyber-Physical Systems based on Machine Learning [5.265938973293016]
サイバー物理システム(CPS)とIoT(Internet-of-Things)デバイスは、ますます複数の機能にわたってデプロイされている。これらのデバイスは、本質的にソフトウェア、ハードウェア、ネットワークスタック全体にわたって安全ではない。本稿では,未知のシステム脆弱性の検出,脆弱性の管理,インシデント対応の改善のための革新的な手法を提案する。
論文参考訳（メタデータ） (2021-01-07T22:01:30Z)
Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文参考訳（メタデータ） (2020-10-19T13:09:31Z)
Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文参考訳（メタデータ） (2020-08-26T19:27:27Z)

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。