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
- 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) - Giving Robots a Hand: Learning Generalizable Manipulation with
Eye-in-Hand Human Video Demonstrations [66.47064743686953]
眼内カメラは、視覚に基づくロボット操作において、より優れたサンプル効率と一般化を可能にすることを約束している。
一方、人間がタスクを行うビデオは、ロボット遠隔操作の専門知識を欠いているため、収集コストがずっと安い。
本研究では,広範にラベルのない人間ビデオによるロボット模倣データセットを拡張し,眼球運動ポリシーの一般化を大幅に促進する。
論文 参考訳(メタデータ) (2023-07-12T07:04:53Z) - 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) - Improving safety in physical human-robot collaboration via deep metric
learning [36.28667896565093]
柔軟な生産シナリオでは、ロボットとの直接の物理的相互作用がますます重要になっている。
リスクポテンシャルを低く抑えるため、物理的な接触がある場合や安全距離に違反する場合など、比較的簡単な操作措置が定められている。
この研究はDeep Metric Learning(DML)アプローチを用いて、非接触ロボットの動き、物理的人間とロボットの相互作用を目的とした意図的な接触、衝突状況の区別を行う。
論文 参考訳(メタデータ) (2023-02-23T11:26:51Z) - 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) - Intention Aware Robot Crowd Navigation with Attention-Based Interaction
Graph [3.8461692052415137]
本研究では,高密度で対話的な群集における安全かつ意図に配慮したロボットナビゲーションの課題について検討する。
本稿では,エージェント間の異種相互作用を捕捉するアテンション機構を備えた新しいグラフニューラルネットワークを提案する。
提案手法は,群集ナビゲーションのシナリオにおいて,優れたナビゲーション性能と非侵襲性をロボットが実現できることを実証する。
論文 参考訳(メタデータ) (2022-03-03T16:26:36Z) - Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。
本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。
我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
論文 参考訳(メタデータ) (2021-10-04T12:20:46Z) - 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。