論文の概要: Smart Fuzzing of 5G Wireless Software Implementation

• arxiv url: http://arxiv.org/abs/2309.12994v1
• Date: Fri, 22 Sep 2023 16:45:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 06:39:39.283410
• Title: Smart Fuzzing of 5G Wireless Software Implementation
• Title（参考訳）: 5g無線ソフトウェア実装のスマートファジング
• Authors: Huan Wu, Brian Fang, and Fei Xie
• Abstract要約: 我々は,OpenAirInterface5G(OAI5G)のセキュリティ,信頼性,理解性を高めるための包括的アプローチを導入する。 我々は、強力なファジィツールであるAFL++を使用して、その構成ファイルに関して、OAI5Gをファジィテストする。 第二に、Google Bardのような大規模言語モデルの能力を利用して、ファジングで使用されるOAI5G内のパラメータを自動解読し、文書化する。
• 参考スコア（独自算出の注目度）: 4.1439060468480005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a comprehensive approach to bolstering the security, reliability, and comprehensibility of OpenAirInterface5G (OAI5G), an open-source software framework for the exploration, development, and testing of 5G wireless communication systems. Firstly, we employ AFL++, a powerful fuzzing tool, to fuzzy-test OAI5G with respect to its configuration files rigorously. This extensive testing process helps identify errors, defects, and security vulnerabilities that may evade conventional testing methods. Secondly, we harness the capabilities of Large Language Models such as Google Bard to automatically decipher and document the meanings of parameters within the OAI5G codebase that are used in fuzzing. This automated parameter interpretation streamlines subsequent analyses and facilitates more informed decision-making. Together, these two techniques contribute to fortifying the OAI5G system, making it more robust, secure, and understandable for developers and analysts alike.
• Abstract（参考訳）: 本稿では,5g無線通信システムの探索,開発,テストを行うためのオープンソースソフトウェアフレームワークであるopenairinterface5g(oai5g)のセキュリティ,信頼性,理解性を高めるための包括的アプローチを提案する。 まず、我々は強力なファジィツールであるAFL++を使用して、その構成ファイルに関してOAI5Gをファジィテストする。 この広範なテストプロセスは、従来のテストメソッドを回避する可能性のあるエラー、欠陥、セキュリティ脆弱性の特定に役立つ。 第二に、Google Bardのような大規模言語モデルの能力を利用して、ファジングに使用されるOAI5Gコードベース内のパラメータの意味を自動的に解読し、文書化する。 この自動パラメータ解釈は、その後の分析を合理化し、よりインフォームドな意思決定を促進する。 これら2つのテクニックは、oai5gシステムの強化に貢献し、開発者やアナリストにとってもより堅牢でセキュアで理解しやすいものにします。

関連論文リスト

• Advanced Penetration Testing for Enhancing 5G Security [0.0]
  本稿では,5Gネットワークのセキュリティ脆弱性を特定するための浸透試験手法についてレビューする。 敵が5Gネットワークの脆弱性を悪用する方法を調べ、5G機能をターゲットにした戦術と戦略をカバーしている。 我々の研究は、5Gの浸透試験が、現在のセキュリティ問題に対処するために、マルチスレッドアプローチを使用するべきであることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T13:35:35Z)
• Masked Thought: Simply Masking Partial Reasoning Steps Can Improve Mathematical Reasoning Learning of Language Models [102.72940700598055]
  推論タスクでは、小さなエラーでも不正確な結果にカスケードすることができる。 入力の摂動に頼らず、外部リソースの導入を避ける手法を開発した。 私たちのトレーニングアプローチでは、思考の連鎖の中で特定のトークンをランダムにマスクします。
  論文  参考訳（メタデータ） (2024-03-04T16:21:54Z)
• Penetration Testing of 5G Core Network Web Technologies [53.89039878885825]
  Web セキュリティの観点から 5G コアのセキュリティ評価を行った。 我々はSTRIDE脅威モデリングアプローチを用いて、脅威ベクトルと関連する攻撃の完全なリストを定義する。 我々の分析によると、これらのコアはすべて、特定された攻撃ベクトルのうち少なくとも2つに対して脆弱である。
  論文  参考訳（メタデータ） (2024-03-04T09:27:11Z)
• Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
  基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。 実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
  論文  参考訳（メタデータ） (2023-10-26T15:19:40Z)
• HuntGPT: Integrating Machine Learning-Based Anomaly Detection and Explainable AI with Large Language Models (LLMs) [0.09208007322096533]
  我々はランダムフォレスト分類器を応用した特殊な侵入検知ダッシュボードであるHuntGPTを提案する。 この論文は、Certified Information Security Manager (CISM) Practice Examsを通じて評価された、システムのアーキテクチャ、コンポーネント、技術的正確性について論じている。 その結果、LLMによってサポートされ、XAIと統合された会話エージェントは、侵入検出において堅牢で説明可能な、実行可能なAIソリューションを提供することを示した。
  論文  参考訳（メタデータ） (2023-09-27T20:58:13Z)
• A LLM Assisted Exploitation of AI-Guardian [57.572998144258705]
  IEEE S&P 2023で発表された敵に対する最近の防衛であるAI-Guardianの堅牢性を評価する。 我々は、このモデルを攻撃するためのコードを書かず、代わりに、GPT-4に命令とガイダンスに従って全ての攻撃アルゴリズムを実装するよう促します。 このプロセスは驚くほど効果的で効率的であり、言語モデルでは、この論文の著者が実行したよりも高速に曖昧な命令からコードを生成することもあった。
  論文  参考訳（メタデータ） (2023-07-20T17:33:25Z)
• When Authentication Is Not Enough: On the Security of Behavioral-Based Driver Authentication Systems [53.2306792009435]
  我々はランダムフォレストとリカレントニューラルネットワークアーキテクチャに基づく2つの軽量ドライバ認証システムを開発した。 我々は,SMARTCANとGANCANという2つの新しいエスケープアタックを開発することで,これらのシステムに対する攻撃を最初に提案する。 コントリビューションを通じて、これらのシステムを安全に採用する実践者を支援し、車の盗難を軽減し、ドライバーのセキュリティを高める。
  論文  参考訳（メタデータ） (2023-06-09T14:33:26Z)
• NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling [4.893416946078254]
  本稿では,5Gスタックにおける脆弱性,意図しない創発的動作,および性能劣化を自動的に検出する革新的な手法を提案する。 srsRANをパイロットとして、ファジィテストによって生成されたログ情報(LogInfo)を介して、実行時のプロファイリングをまず高次元距離空間にマッピングする。 さらに、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、ランダムフォレスト(Random Forest)といった機械学習ベースの分類アルゴリズムを活用して、パフォーマンスとセキュリティ特性への影響を分類します。
  論文  参考訳（メタデータ） (2023-05-14T19:07:21Z)
• A Survey on XAI for 5G and Beyond Security: Technical Aspects, Challenges and Research Directions [5.955491600905514]
  本稿では、5G以上の利害関係者が次世代ネットワークを保護するために使用されるインテリジェントなブラックボックスシステムを調べることができる、説明可能なAI(XAI)手法の可能性について検討する。 XAIを5G以降のセキュリティドメインで使用するという目標は、MLベースのセキュリティシステムの意思決定プロセスが5G以上のステークホルダに対して透過的かつ理解しやすいものになることだ。
  論文  参考訳（メタデータ） (2022-04-27T10:26:24Z)
• WNARS: WFST based Non-autoregressive Streaming End-to-End Speech Recognition [59.975078145303605]
  本稿では,ハイブリッドCTC-attention AEDモデルと重み付き有限状態トランスデューサを用いた新しいフレームワークWNARSを提案する。 AISHELL-1タスクでは、640msの遅延で5.22%の文字エラー率を達成し、オンラインASRの最先端のパフォーマンスである私たちの知識を最大限に活用します。
  論文  参考訳（メタデータ） (2021-04-08T07:56:03Z)
• Artificial Intelligence and Machine Learning in 5G Network Security: Opportunities, advantages, and future research trends [5.431496585727341]
  5Gネットワークの最大のセールスポイントは、データレートとスピードの向上だ。 5Gネットワークの最大のセールスポイントはデータレートと速度の向上であり、幅広い脅威に対処することは困難である。 本稿では,5GネットワークセキュリティのためのAIおよびML駆動アプリケーションについて述べる。
  論文  参考訳（メタデータ） (2020-07-09T01:02:13Z)

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。