論文の概要: Can You Still See Me?: Reconstructing Robot Operations Over End-to-End Encrypted Channels

• arxiv url: http://arxiv.org/abs/2205.08426v1
• Date: Tue, 17 May 2022 15:01:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 17:07:53.257046
• Title: Can You Still See Me?: Reconstructing Robot Operations Over End-to-End Encrypted Channels
• Title（参考訳）: あなたはまだ私を見ることができますか。 エンドツーエンド暗号化チャネル上でのロボット操作の再構築
• Authors: Ryan Shah, Chuadhry Mujeeb Ahmed, Shishir Nagaraja
• Abstract要約: コネクテッドロボットは産業4.0において重要な役割を担い、多くの産業において自動化と高い効率を提供する。 残念ながら、これらのロボットはこれらの操作に関する機密情報を遠隔の敵に漏らすことができる。 受動的敵が全てを指紋化し、再建することは、完全に可能であり、施設の運営方法の理解を確立する。
• 参考スコア（独自算出の注目度）: 5.847084649531299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Connected robots play a key role in Industry 4.0, providing automation and higher efficiency for many industrial workflows. Unfortunately, these robots can leak sensitive information regarding these operational workflows to remote adversaries. While there exists mandates for the use of end-to-end encryption for data transmission in such settings, it is entirely possible for passive adversaries to fingerprint and reconstruct entire workflows being carried out -- establishing an understanding of how facilities operate. In this paper, we investigate whether a remote attacker can accurately fingerprint robot movements and ultimately reconstruct operational workflows. Using a neural network approach to traffic analysis, we find that one can predict TLS-encrypted movements with around \textasciitilde60\% accuracy, increasing to near-perfect accuracy under realistic network conditions. Further, we also find that attackers can reconstruct warehousing workflows with similar success. Ultimately, simply adopting best cybersecurity practices is clearly not enough to stop even weak (passive) adversaries.
• Abstract（参考訳）: コネクテッドロボットは産業4.0において重要な役割を担い、多くの産業ワークフローにおいて自動化と高い効率を提供する。 残念ながら、これらのロボットはこれらの操作ワークフローに関する機密情報をリモートの敵にリークすることができる。 このような環境では、エンドツーエンドの暗号化をデータ送信に使用する義務があるが、受動的敵が実行中のワークフロー全体を指紋で再構築し、施設の運用方法の理解を確立することは、完全に可能である。 本稿では,遠隔攻撃者がロボットの動きを正確に検出し,最終的に作業ワークフローを再構築できるかどうかを検討する。 トラヒック解析にニューラルネットワークを用いた場合,実際のネットワーク条件下ではほぼ完全に近い精度で,約 \textasciitilde60\%の精度でtls暗号化された動きを予測できることがわかった。 さらに、攻撃者は同様の成功でウェアハウスワークフローを再構築できる。 結局のところ、最高のサイバーセキュリティプラクティスを採用するだけでは、弱い(パッシブな)敵を止めるには不十分だ。

関連論文リスト

• Flow as the Cross-Domain Manipulation Interface [73.15952395641136]
  Im2Flow2Actは、現実世界のロボットのトレーニングデータを必要とせずに、ロボットが現実世界の操作スキルを習得することを可能にする。 Im2Flow2Actはフロー生成ネットワークとフロー条件ポリシーの2つのコンポーネントから構成される。 我々はIm2Flow2Actの様々な実世界のタスクにおいて、剛性、調音、変形可能なオブジェクトの操作を含む能力を実証する。
  論文  参考訳（メタデータ） (2024-07-21T16:15:02Z)
• Cross-Embodiment Robot Manipulation Skill Transfer using Latent Space Alignment [24.93621734941354]
  本稿では,形態の異なるロボットマニピュレータ間の制御ポリシの伝達に着目した。 主要な洞察は、ソースとターゲットロボットの状態と行動空間を共通の潜在空間表現に投影することである。 我々は、異なる状態、行動、実施形態のソースとターゲットロボットによるシム・トゥ・シム・トゥ・シム・トゥ・シム・トゥ・リアルな操作ポリシーの伝達を実証する。
  論文  参考訳（メタデータ） (2024-06-04T05:00:24Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [80.86089324742024]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• On the Feasibility of Fingerprinting Collaborative Robot Traffic [13.676158049194873]
  本研究では,ロボットの協調作業におけるプライバシーリスクについて検討し,暗号化されたロボット通信における交通分析の可能性に着目した。 本稿では,信号処理技術を用いた交通分類手法を提案する。 本研究は,ロボットのプライバシとセキュリティにおける実用的防御の継続的な開発の必要性を強調した。
  論文  参考訳（メタデータ） (2023-12-11T19:26:30Z)
• Towards a Near-real-time Protocol Tunneling Detector based on Machine Learning Techniques [0.0]
  本稿では,機械学習技術を用いて企業のネットワークトラフィックをほぼリアルタイムで検査するプロトコルトンネル検出器のプロトタイプを提案する。 検出器は暗号化されていないネットワークフローを監視し、起こりうる攻撃や異常を検出する特徴を抽出する。 その結果、全体的な精度は97.1%であり、F1スコアは95.6%である。
  論文  参考訳（メタデータ） (2023-09-22T09:08:43Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Reconstructing Robot Operations via Radio-Frequency Side-Channel [1.0742675209112622]
  近年、サイバードメインからロボット自体を積極的に狙う様々な攻撃が提案されている。 本研究では,インサイダーの相手が,無線周波数側チャネルを介してロボットの動きや操作用ウェアハウジングを正確に検出できるかどうかを検討する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:51Z)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)

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。