論文の概要: Not Sure Your Car Withstands Cyberwarfare

• arxiv url: http://arxiv.org/abs/2410.14320v1
• Date: Fri, 18 Oct 2024 09:29:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:23:49.986541
• Title: Not Sure Your Car Withstands Cyberwarfare
• Title（参考訳）: サイバー戦争に耐えられない車
• Authors: Giampaolo Bella, Gianpietro Castiglione, Sergio Esposito, Mario Raciti, Salvatore Riccobene,
• Abstract要約: 本論文は, 車両の運転者データ保護を良好に評価することを目的としている。 同社は、BMWやメルセデスといった主要自動車メーカーのプライバシーポリシーのギャップを分析することで、その目標を要件レベルで追求している。 いずれのブランドも、いかに多くの記事に準拠しているかについては、いまだに不正確であり、従ってコンプライアンスは、しばしば検証不可能である。 これらの発見の解釈は、サイバー戦争が勃発すれば、あなたの車があなたの車に逆らう可能性があるという、あり得ない可能性である。
• 参考スコア（独自算出の注目度）: 0.17476232824732776
• License:
• Abstract: Data and derived information about target victims has always been key for successful attacks, both during historical wars and modern cyber wars. Ours turns out to be an era in which modern cars generate a plethora of data about their drivers, and such data could be extremely attractive for offenders. This paper seeks to assess how well modern cars protect their drivers' data. It pursues its goal at a requirement level by analysing the gaps of the privacy policies of chief automakers such as BMW and Mercedes with respect to the General Data Protection Regulation (GDPR). It is found that both brands are still imprecise about how they comply with a number of GDPR articles, hence compliance often results non-verifiable. Most importantly, while BMW exhibits slightly broader compliance, both brands still fail to comply with a number of relevant articles of the regulation. An interpretation of these findings is a non-negligible likelihood that your car may turn against you should cyberwarfare break out.
• Abstract（参考訳）: 被害者に関するデータや派生情報は、歴史的戦争と現代のサイバー戦争の両方において、常に攻撃の成功の鍵となっている。 私たちの時代は、現代の車がドライバーに関する大量のデータを生成する時代であり、そのようなデータは犯罪者にとって非常に魅力的なものになるかもしれない。 本稿では,現代の自動車がドライバーのデータをどのように保護しているかを評価する。 同社は、一般データ保護規則(GDPR)に関して、BMWやメルセデスといった主要自動車メーカーのプライバシーポリシーのギャップを分析することで、その目標を要件レベルで追求している。 いずれのブランドも、GDPRの項目の遵守方法に不正確であることから、コンプライアンスが検証不能になることが多い。 最も重要な点として、BMWはわずかに広範囲のコンプライアンスを保っているが、両社はいまだに規制に関する関連記事の遵守を怠っている。 これらの発見の解釈は、サイバー戦争が勃発すれば、あなたの車があなたの車に逆らう可能性があるという、あり得ない可能性である。

関連論文リスト

• Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
  On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。 我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
  論文  参考訳（メタデータ） (2024-06-30T04:21:46Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• Adversary ML Resilience in Autonomous Driving Through Human Centered Perception Mechanisms [0.0]
  本稿では,3つの物理的攻撃(テープ,落書き,照明)に対する自律走行システムのレジリエンスについて検討する。 攻撃に対する堅牢性を構築するために、敵の訓練や移動学習のような防御技術が導入された。 その結果,道路標識分類の一般化性を向上させるために,形状訓練から得られる知識を付与することにより,伝達学習モデルが性能において重要な役割を担っていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T04:11:45Z)
• Fact-Saboteurs: A Taxonomy of Evidence Manipulation Attacks against Fact-Verification Systems [80.3811072650087]
  証拠のクレームサレントスニペットを微調整し,多様かつクレームアラインな証拠を生成することが可能であることを示す。 この攻撃は、主張のポストホックな修正に対しても堅牢である。 これらの攻撃は、インスペクタブルとヒューマン・イン・ザ・ループの使用シナリオに有害な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2022-09-07T13:39:24Z)
• Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
  小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。 本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。 このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-03-22T00:58:27Z)
• Emerging AI Security Threats for Autonomous Cars -- Case Studies [0.0]
  モデル抽出攻撃と、自律走行車に侵入する汎用型キルチェーンについて論じる。 モデル盗難のリスクを管理し軽減するための戦略を検討することが不可欠である。
  論文  参考訳（メタデータ） (2021-09-10T13:22:21Z)
• Evaluating Adversarial Attacks on Driving Safety in Vision-Based Autonomous Vehicles [21.894836150974093]
  近年、多くのディープラーニングモデルが自動運転に採用されている。 近年の研究では、敵対的攻撃がディープラーニングに基づく3次元物体検出モデルの検出精度を著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2021-08-06T04:52:09Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Challenges in Forecasting Malicious Events from Incomplete Data [6.656003516101928]
  研究者たちは、外部データと機械学習アルゴリズムを組み合わせて、差し迫ったサイバー攻撃の指標を学習しようと試みている。 しかし、サイバー攻撃が成功したことは、攻撃未遂のごくわずかだ。 本稿では,サイバー攻撃の予測可能性を低減するため,フィルタリングのプロセスについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T22:57:23Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。