論文の概要: Towards Improving IDS Using CTF Events

• arxiv url: http://arxiv.org/abs/2501.11685v1
• Date: Mon, 20 Jan 2025 19:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:19:09.601056
• Title: Towards Improving IDS Using CTF Events
• Title（参考訳）: CTFイベントを用いたIDSの改善に向けて
• Authors: Manuel Kern, Florian Skopik, Max Landauer, Edgar Weippl,
• Abstract要約: 本稿では,CTF(Capture the Flag)イベントによる侵入検知システム(IDS)の評価手法を提案する。 本研究は,IDSの弱点をライブCTFコンペティションに組み込むことにより識別するために,調整したCTF課題を用いることの有効性を検討する。 我々は、IDS固有の課題の開発を支援する方法論、学習とエンゲージメントを促進するスコアシステム、そして実際のJeopardyスタイルのCTFイベントにおいてそのような課題を実行するための洞察を提供する。
• 参考スコア（独自算出の注目度）: 1.812535004393714
• License:
• Abstract: In cybersecurity, Intrusion Detection Systems (IDS) serve as a vital defensive layer against adversarial threats. Accurate benchmarking is critical to evaluate and improve IDS effectiveness, yet traditional methodologies face limitations due to their reliance on previously known attack signatures and lack of creativity of automated tests. This paper introduces a novel approach to evaluating IDS through Capture the Flag (CTF) events, specifically designed to uncover weaknesses within IDS. CTFs, known for engaging a diverse community in tackling complex security challenges, offer a dynamic platform for this purpose. Our research investigates the effectiveness of using tailored CTF challenges to identify weaknesses in IDS by integrating them into live CTF competitions. This approach leverages the creativity and technical skills of the CTF community, enhancing both the benchmarking process and the participants' practical security skills. We present a methodology that supports the development of IDS-specific challenges, a scoring system that fosters learning and engagement, and the insights of running such a challenge in a real Jeopardy-style CTF event. Our findings highlight the potential of CTFs as a tool for IDS evaluation, demonstrating the ability to effectively expose vulnerabilities while also providing insights into necessary improvements for future implementations.
• Abstract（参考訳）: サイバーセキュリティにおいて、侵入検知システム(IDS)は敵の脅威に対する重要な防御層として機能する。 正確なベンチマークはIDSの有効性を評価し改善するために重要であるが、従来の方法論は、既知の攻撃シグネチャへの依存と自動テストのクリエイティビティの欠如によって制限に直面している。 本稿では,IDS内の弱点を明らかにするために,CTF(Capture the Flag)イベントを通じてIDSを評価する新しい手法を提案する。 CTFは、複雑なセキュリティ問題に取り組むための多様なコミュニティで知られているが、この目的のために動的プラットフォームを提供する。 本研究は,IDSの弱点をライブCTFコンペティションに組み込むことにより識別するために,調整したCTF課題を用いることの有効性を検討する。 このアプローチは、CTFコミュニティの創造性と技術的スキルを活用し、ベンチマークプロセスと参加者の実践的なセキュリティスキルの両方を強化します。 我々は、IDS固有の課題の開発を支援する方法論、学習とエンゲージメントを促進するスコアリングシステム、そして実際のJeopardyスタイルのCTFイベントにおいてそのような課題を実行するための洞察を提供する。 我々は,IDS評価ツールとしてのCTFの可能性を強調し,脆弱性を効果的に暴露すると同時に,将来の実装に必要な改善に関する洞察を提供する。

関連論文リスト

• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• Rethinking the Vulnerabilities of Face Recognition Systems:From a Practical Perspective [53.24281798458074]
  顔認識システム(FRS)は、監視やユーザー認証を含む重要なアプリケーションにますます統合されている。 最近の研究によると、FRSの脆弱性は敵(例えば、敵パッチ攻撃)やバックドア攻撃(例えば、データ中毒の訓練)であることが明らかになっている。
  論文  参考訳（メタデータ） (2024-05-21T13:34:23Z)
• Securing Federated Learning with Control-Flow Attestation: A Novel Framework for Enhanced Integrity and Resilience against Adversarial Attacks [2.28438857884398]
  分散機械学習パラダイムとしてのフェデレートラーニング(FL)は、新たなサイバーセキュリティ課題を導入した。 本研究では,従来サイバーセキュリティに用いられてきた制御フロー(CFA)機構にインスパイアされた,革新的なセキュリティフレームワークを提案する。 我々は、ネットワーク全体にわたるモデル更新の完全性を認証し、検証し、モデル中毒や敵対的干渉に関連するリスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-03-15T04:03:34Z)
• Cybersecurity in Motion: A Survey of Challenges and Requirements for Future Test Facilities of CAVs [11.853500347907826]
  協力的インテリジェントトランスポーテーションシステム(C-ITS)はこの進化の最前線にある。 本稿では,C-ITSのサイバーセキュリティの研究,試験,評価を促進するために設計された,CSCE(Cybersecurity Centre of Excellence)を提案する。
  論文  参考訳（メタデータ） (2023-12-22T13:42:53Z)
• Fed-LSAE: Thwarting Poisoning Attacks against Federated Cyber Threat Detection System via Autoencoder-based Latent Space Inspection [0.0]
  サイバーセキュリティでは、センシティブなデータと文脈情報と高品質なラベル付けが重要な役割を果たす。 本稿では,潜在空間表現を利用したフェデレーション学習のための新しい頑健なアグリゲーション手法であるFed-LSAEについて検討する。 CIC-ToN-IoTおよびN-Ba IoTデータセットの実験結果から,最先端の毒殺攻撃に対する防御機構の実現可能性が確認された。
  論文  参考訳（メタデータ） (2023-09-20T04:14:48Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• A Survey of Trustworthy Federated Learning with Perspectives on Security, Robustness, and Privacy [47.89042524852868]
  Federated Learning (FL) は,さまざまな現実のシナリオに対して,有望なソリューションとして注目されている。 しかし、データの分離とプライバシーに関する課題は、FLシステムの信頼性を脅かす。
  論文  参考訳（メタデータ） (2023-02-21T12:52:12Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Adversarial Attacks against Face Recognition: A Comprehensive Study [3.766020696203255]
  顔認識(FR)システムは優れた検証性能を示した。 近年の研究では、(深い)FRシステムは、知覚できない、または知覚できないが自然に見える対向的な入力画像に興味深い脆弱性を示すことが示されている。
  論文  参考訳（メタデータ） (2020-07-22T22:46:00Z)
• Modeling Penetration Testing with Reinforcement Learning Using Capture-the-Flag Challenges: Trade-offs between Model-free Learning and A Priori Knowledge [0.0]
  侵入テストは、システムに対する攻撃をシミュレートしてシステムのセキュリティを評価するためのセキュリティエクササイズである。 本稿では,フラッグハックの難しさをとらえる形で表現された,簡易な浸透試験問題に焦点を当てる。 エージェントに提供可能な事前知識の異なる形式に依存することで、この課題が緩和される可能性を示す。
  論文  参考訳（メタデータ） (2020-05-26T11:23:10Z)
• Towards Transferable Adversarial Attack against Deep Face Recognition [58.07786010689529]
  ディープ畳み込みニューラルネットワーク(DCNN)は敵の例に弱いことが判明した。 転送可能な敵の例は、DCNNの堅牢性を著しく妨げます。 DFANetは畳み込み層で使用されるドロップアウトベースの手法であり,サロゲートモデルの多様性を高めることができる。 クエリなしで4つの商用APIをうまく攻撃できる新しい対向顔ペアを生成します。
  論文  参考訳（メタデータ） (2020-04-13T06:44:33Z)

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。