論文の概要: MAARS: Multi-Rate Attack-Aware Randomized Scheduling for Securing Real-time Systems
- arxiv url: http://arxiv.org/abs/2408.00341v1
- Date: Thu, 1 Aug 2024 07:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 21:25:51.900140
- Title: MAARS: Multi-Rate Attack-Aware Randomized Scheduling for Securing Real-time Systems
- Title(参考訳): MAARS: リアルタイムシステムのセキュリティのためのマルチレートアタック対応ランダムスケジューリング
- Authors: Arkaprava Sain, Sunandan Adhikary, Ipsita Koley, Soumyajit Dey,
- Abstract要約: 現代のサイバー物理システム(CPS)は、通信ネットワークによって相互接続される多数の制御ユニットで構成されている。
安全クリティカルなタスクの多くは、その安全性とパフォーマンス分析に役立つ決定論的タイミング動作を保証するために、固定サンプリング期間で実行される。
敵は、安全クリティカルなタスクのこの決定論的行動を利用して、推論ベースの攻撃を起動することができる。
本稿では,このようなタイミング予測やスケジュールに基づく攻撃を防止し,最小限に抑え,制御ユニットを危険にさらすことを目的とする。
- 参考スコア(独自算出の注目度): 2.238622204691961
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern Cyber-Physical Systems (CPSs) consist of numerous control units interconnected by communication networks. Each control unit executes multiple safety-critical and non-critical tasks in real-time. Most of the safety-critical tasks are executed with a fixed sampling period to ensure deterministic timing behaviour that helps in its safety and performance analysis. However, adversaries can exploit this deterministic behaviour of safety-critical tasks to launch inference-based-based attacks on them. This paper aims to prevent and minimize the possibility of such timing inference or schedule-based attacks to compromise the control units. This is done by switching between strategically chosen execution rates of the safety-critical control tasks such that their performance remains unhampered. Thereafter, we present a novel schedule vulnerability analysis methodology to switch between valid schedules generated for these multiple periodicities of the control tasks in run time. Utilizing these strategies, we introduce a novel Multi-Rate Attack-Aware Randomized Scheduling (MAARS) framework for preemptive fixed-priority schedulers that minimize the success rate of timing-inference-based attacks on safety-critical real-time systems. To our knowledge, this is the first work to propose a schedule randomization method with attack awareness that preserves both the control and scheduling aspects. The efficacy of the framework in terms of attack prevention is finally evaluated on several automotive benchmarks in a Hardware-in-loop (HiL) environment.
- Abstract(参考訳): 現代のサイバー物理システム(CPS)は、通信ネットワークによって相互接続される多数の制御ユニットで構成されている。
各制御ユニットは、複数の安全クリティカルかつ非クリティカルなタスクをリアルタイムで実行する。
安全クリティカルなタスクの多くは、その安全性とパフォーマンス分析に役立つ決定論的タイミング動作を保証するために、固定サンプリング期間で実行される。
しかし、敵は安全クリティカルなタスクのこの決定論的行動を利用して、推論ベースの攻撃を起動することができる。
本稿では,このようなタイミング予測やスケジュールに基づく攻撃を防止し,最小限に抑え,制御ユニットを危険にさらすことを目的とする。
これは、安全クリティカルな制御タスクの戦略的に選択された実行率を切り替えて、パフォーマンスを損なわないようにする。
その後、制御タスクの複数の周期性に対して発生する有効なスケジュールを、実行時に切り替える新しいスケジュール脆弱性解析手法を提案する。
これらの戦略を利用することで、安全クリティカルなリアルタイムシステムに対するタイミング推論に基づく攻撃の成功率を最小限に抑える、プリエンプティブな固定優先度スケジューラのための新しいマルチレートアタック・アウェア・ランダム化スケジューリング(MAARS)フレームワークを導入する。
我々の知る限りでは、制御面とスケジューリング面の両方を保持するアタック意識を持つスケジュールランダム化手法を提案するのはこれが初めてである。
ハードウェア・イン・ループ(HiL)環境におけるいくつかの自動車ベンチマークにおいて,攻撃防止の観点からフレームワークの有効性を評価する。
関連論文リスト
- Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳(メタデータ) (2024-12-05T18:58:27Z) - Dependency-Aware CAV Task Scheduling via Diffusion-Based Reinforcement Learning [12.504232513881828]
動的無人航空機支援型コネクテッド自動運転車(CAV)のための新しい依存性を考慮したタスクスケジューリング手法を提案する。
平均タスク完了時間を最小化することを目的として,共同スケジューリング優先度とサブタスク割り当て最適化問題を定式化する。
本稿では,Synthetic DDQNをベースとしたSubtasks Schedulingという拡散型強化学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-11-27T11:07:31Z) - Stealthy Multi-Task Adversarial Attacks [17.24457318044218]
マルチタスクフレームワーク内の他のタスクのパフォーマンスを保ちながら、タスクを選択的にターゲティングする。
このアプローチの動機は、自律運転のような現実世界のアプリケーションにおけるタスク間でのセキュリティの優先順位の変化にある。
本稿では,複数のアルゴリズムを用いて入力に知覚不可能なノイズを注入するステルスマルチタスク攻撃フレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-26T23:18:32Z) - Constant-time Motion Planning with Anytime Refinement for Manipulation [17.543746580669662]
本研究では,CTMP(Constant-time Motion Planners)アルゴリズムと組み合わせたリアルタイム改良手法を提案する。
提案するフレームワークは,定数時間アルゴリズムとして動作するため,ユーザ定義時間しきい値内の初期解を高速に生成する。
任意の時間アルゴリズムとして機能し、割り当てられた時間予算内で、ソリューションの品質を反復的に改善します。
論文 参考訳(メタデータ) (2023-11-01T20:40:10Z) - The Adversarial Implications of Variable-Time Inference [47.44631666803983]
本稿では,攻撃対象のMLモデルの予測を後処理するアルゴリズムの実行時間を簡単に計測する,新たなサイドチャネルを利用するアプローチを提案する。
我々は,物体検出装置の動作において重要な役割を果たす非最大抑圧(NMS)アルゴリズムからの漏れを調査する。
我々は、YOLOv3検出器に対する攻撃を実演し、タイミングリークを利用して、逆例を用いてオブジェクト検出を回避し、データセット推論を行う。
論文 参考訳(メタデータ) (2023-09-05T11:53:17Z) - Guaranteed Dynamic Scheduling of Ultra-Reliable Low-Latency Traffic via
Conformal Prediction [72.59079526765487]
アップリンクにおける超信頼性・低遅延トラフィック(URLLC)の動的スケジューリングは、既存のサービスの効率を大幅に向上させることができる。
主な課題は、URLLCパケット生成のプロセスにおける不確実性である。
本稿では,URLLC トラフィック予測器の品質に関わらず,信頼性と遅延を保証した新しい URLLC パケットスケジューラを提案する。
論文 参考訳(メタデータ) (2023-02-15T14:09:55Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳(メタデータ) (2021-05-01T10:18:34Z) - An RL-Based Adaptive Detection Strategy to Secure Cyber-Physical Systems [0.0]
ソフトウェアベースの制御への依存が高まり、サイバー物理システムの脆弱性が高まった。
攻撃シナリオから学んだ経験に基づいて,このような検出器のパラメータを適応的に設定する強化学習(RL)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-04T07:38:50Z) - Online Reinforcement Learning Control by Direct Heuristic Dynamic
Programming: from Time-Driven to Event-Driven [80.94390916562179]
時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。
ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。
イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
論文 参考訳(メタデータ) (2020-06-16T05:51:25Z) - Trajectory Optimization for Nonlinear Multi-Agent Systems using
Decentralized Learning Model Predictive Control [5.2647625557619815]
非線形疎結合力学と結合状態制約を持つマルチエージェントシステムに対する学習モデル予測制御に基づく分散化最小時間軌道最適化手法を提案する。
このフレームワークは,タスク実行の各イテレーションにおけるエージェント間の通信を不要とし,永続的実現性,有限時間閉ループ収束性,グローバルシステムのタスク反復による非遅延性能を保証する。
論文 参考訳(メタデータ) (2020-04-02T23:04:10Z)
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。