論文の概要: To See or Not to See -- Fingerprinting Devices in Adversarial Environments Amid Advanced Machine Learning

• arxiv url: http://arxiv.org/abs/2504.08264v1
• Date: Fri, 11 Apr 2025 05:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:17:23.869305
• Title: To See or Not to See -- Fingerprinting Devices in Adversarial Environments Amid Advanced Machine Learning
• Title（参考訳）: 見るか見るか - 高度な機械学習中、敵対的環境におけるフィンガープリントデバイス
• Authors: Justin Feng, Nader Sehatbakhsh,
• Abstract要約: デバイスフィンガープリントは、しばしばデバイスを認証し、敵を検出し、環境中の盗聴者を特定するために使用される。 これは正当性と悪意のあるデバイスを識別する能力を必要とする。 デバイス指紋認証のための汎用的で単純化されたモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.725130576615102
• License:
• Abstract: The increasing use of the Internet of Things raises security concerns. To address this, device fingerprinting is often employed to authenticate devices, detect adversaries, and identify eavesdroppers in an environment. This requires the ability to discern between legitimate and malicious devices which is achieved by analyzing the unique physical and/or operational characteristics of IoT devices. In the era of the latest progress in machine learning, particularly generative models, it is crucial to methodically examine the current studies in device fingerprinting. This involves explaining their approaches and underscoring their limitations when faced with adversaries armed with these ML tools. To systematically analyze existing methods, we propose a generic, yet simplified, model for device fingerprinting. Additionally, we thoroughly investigate existing methods to authenticate devices and detect eavesdropping, using our proposed model. We further study trends and similarities between works in authentication and eavesdropping detection and present the existing threats and attacks in these domains. Finally, we discuss future directions in fingerprinting based on these trends to develop more secure IoT fingerprinting schemes.
• Abstract（参考訳）: モノのインターネットの利用が増えると、セキュリティ上の懸念が高まる。 これを解決するために、デバイスフィンガープリントは、しばしばデバイスを認証し、敵を検出し、環境中の盗聴者を特定するために使用される。 これは、IoTデバイスのユニークな物理的および/または運用的特性を分析することによって達成される、正当なデバイスと悪意のあるデバイスを識別する能力を必要とする。 機械学習の最新の進歩、特に生成モデルの時代において、デバイスフィンガープリントにおける現在の研究を体系的に検討することが不可欠である。 これには、彼らのアプローチの説明と、これらのMLツールで武装した敵に直面する際の制限の強調が含まれる。 既存手法を体系的に解析するために,デバイス指紋の汎用的かつ簡易なモデルを提案する。 さらに,提案モデルを用いて,既存のデバイス認証手法を徹底的に検討し,盗聴の検出を行う。 さらに、認証と盗聴検出における作業の傾向と類似性を調べ、これらの領域における既存の脅威や攻撃を提示する。 最後に,これらの傾向に基づき,よりセキュアなIoTフィンガープリント手法を開発するために,フィンガープリントの今後の方向性について論じる。

関連論文リスト

• Time-Aware Face Anti-Spoofing with Rotation Invariant Local Binary Patterns and Deep Learning [50.79277723970418]
  模倣攻撃は 不正な識別と その後の攻撃者の認証につながる 顔認識と同様に、模倣攻撃も機械学習で検出できる。 本稿では,未使用の機能と時間認識の深層学習戦略を組み合わせることで,高い分類精度を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:26:10Z)
• Locality Sensitive Hashing for Network Traffic Fingerprinting [5.062312533373298]
  ネットワークトラフィックのフィンガープリントにLSH(Locality-sensitive hashing)を用いる。 本手法は,ネットワーク内のデバイスを識別する際の精度を約94%向上し,最先端の精度を12%向上させる。
  論文  参考訳（メタデータ） (2024-02-12T21:14:37Z)
• An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT Devices [0.7219077740523682]
  この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2023-06-23T11:26:00Z)
• CAN-LOC: Spoofing Detection and Physical Intrusion Localization on an In-Vehicle CAN Bus Based on Deep Features of Voltage Signals [48.813942331065206]
  車両内ネットワークのためのセキュリティ強化システムを提案する。 提案システムは,CANバスで測定した電圧信号から抽出した深い特徴を処理する2つの機構を含む。
  論文  参考訳（メタデータ） (2021-06-15T06:12:33Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• Machine Learning for the Detection and Identification of Internet of Things (IoT) Devices: A Survey [16.3730669259576]
  モノのインターネット(IoT)は、さまざまな新興サービスやアプリケーションを可能にする、日常生活の不可欠な部分になりつつあります。 IoTを確保する第一歩は、不正なIoTデバイスを検出し、正当なものを識別することです。 iotデバイスの識別と検出を,デバイス固有のパターン認識,ディープラーニングによるデバイス識別,教師なしデバイス識別,異常デバイス検出の4つのカテゴリに分類した。
  論文  参考訳（メタデータ） (2021-01-25T15:51:04Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Adversarial Attacks on Deep Learning Systems for User Identification based on Motion Sensors [24.182791316595576]
  本研究では,モーションセンサ信号に基づく明示的認証のための深層学習手法に焦点を当てた。 このシナリオでは、攻撃者は不正アクセスを得るために敵の例を作ることができる。 私たちの知る限りでは、機械学習モデルに対する敵攻撃の影響の定量化を目的とした最初の研究である。
  論文  参考訳（メタデータ） (2020-09-02T14:35:05Z)
• Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data [64.65952078807086]
  光現実性画像生成は、GAN(Generative Adversarial Network)のブレークスルーにより、新たな品質レベルに達した。 しかし、このようなディープフェイクのダークサイド、すなわち生成されたメディアの悪意ある使用は、視覚的誤報に関する懸念を提起する。 我々は,モデルに人工指紋を導入することによって,深度検出の積極的な,持続可能なソリューションを模索する。
  論文  参考訳（メタデータ） (2020-07-16T16:49:55Z)
• Survey of Network Intrusion Detection Methods from the Perspective of the Knowledge Discovery in Databases Process [63.75363908696257]
  本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。 本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。 この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
  論文  参考訳（メタデータ） (2020-01-27T11:21:05Z)
• An Overview of Fingerprint-Based Authentication: Liveness Detection and Beyond [0.0]
  我々は,生きた人間がシステム上で認証しようとしていることを確実にするための技術として定義されている,身体の活力を検出する方法に焦点をあてる。 我々は、悪意ある人物が指紋認証システムを騙して偽の指を本物として受け入れようとする攻撃を防ぐのに、これらの手法がいかに効果的かを分析する。
  論文  参考訳（メタデータ） (2020-01-24T20:07:53Z)

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。