論文の概要: Hybrid Cryptographic Monitoring System for Side-Channel Attack Detection on PYNQ SoCs

• arxiv url: http://arxiv.org/abs/2508.21606v1
• Date: Fri, 29 Aug 2025 13:13:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.055121
• Title: Hybrid Cryptographic Monitoring System for Side-Channel Attack Detection on PYNQ SoCs
• Title（参考訳）: PYNQ SoC上でのサイドチャネル攻撃検出のためのハイブリッド暗号モニタリングシステム
• Authors: Nishant Chinnasami, Rasha Karakchi,
• Abstract要約: AES-128暗号は理論的には安全であるが、組込みシステムに対するタイミングと障害注入攻撃による実用的展開には脆弱である。 本研究は、統計的しきい値と機械学習(ML)を組み合わせて、リアルタイムな異常検出を行う軽量な二重検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AES-128 encryption is theoretically secure but vulnerable in practical deployments due to timing and fault injection attacks on embedded systems. This work presents a lightweight dual-detection framework combining statistical thresholding and machine learning (ML) for real-time anomaly detection. By simulating anomalies via delays and ciphertext corruption, we collect timing and data features to evaluate two strategies: (1) a statistical threshold method based on execution time and (2) a Random Forest classifier trained on block-level anomalies. Implemented on CPU and FPGA (PYNQ-Z1), our results show that the ML approach outperforms static thresholds in accuracy, while maintaining real-time feasibility on embedded platforms. The framework operates without modifying AES internals or relying on hardware performance counters. This makes it especially suitable for low-power, resource-constrained systems where detection accuracy and computational efficiency must be balanced.
• Abstract（参考訳）: AES-128暗号は理論的には安全であるが、組込みシステムに対するタイミングと障害注入攻撃による実用的展開には脆弱である。 本研究は、統計的しきい値と機械学習(ML)を組み合わせて、リアルタイムな異常検出を行う軽量な二重検出フレームワークを提案する。 遅延や暗号文の破損によって異常をシミュレートすることにより、タイミングとデータの特徴を収集し、(1)実行時間に基づく統計的しきい値法、(2)ブロックレベルの異常に基づいて訓練されたランダムフォレスト分類器の2つの戦略を評価する。 CPU と FPGA (PYNQ-Z1) に実装した結果,ML アプローチは組込みプラットフォームにおけるリアルタイム実現可能性を維持しつつ,静的しきい値よりも精度が高いことがわかった。 このフレームワークは、AES内部を変更したり、ハードウェアパフォーマンスカウンタに依存することなく動作する。 これにより、検出精度と計算効率のバランスをとらなければならない低消費電力のリソース制約システムに特に適している。

関連論文リスト

• ML-Enhanced AES Anomaly Detection for Real-Time Embedded Security [0.0]
  制御された異常注入とリアルタイム異常検出によりAES-128暗号のセキュリティを向上する包括的フレームワークを提案する。 我々は,暗号化中に実行遅延や暗号文の摂動を注入し,ラベル付きデータセットを生成して,タイミングと故障に基づく異常をシミュレートする。 その結果,MLによる検出は,組込みハードウェア上でのリアルタイム性能を維持しつつ,精度とリコールにおいてしきい値に基づく手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-06T00:22:58Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• Periodic Online Testing for Sparse Systolic Tensor Arrays [0.0]
  モダン機械学習(ML)アプリケーションは、しばしば構造化されたスパーシティの恩恵を受ける。これは、モデルの複雑さを効率的に低減し、ハードウェア内のスパースデータの処理を単純化するテクニックである。 本稿では,ベクトルの開始前にスパルス・シストリック・テンソルアレイ内の永久断層を検出し,検出するオンラインエラーチェック手法を提案する。
  論文  参考訳（メタデータ） (2025-04-25T18:10:45Z)
• Machine Learning-Based Cyberattack Detection and Identification for Automatic Generation Control Systems Considering Nonlinearities [0.6144680854063939]
  AGCシステムの通信計測への依存は、それらを偽データ注入攻撃(FDIA)に晒す 本稿では、FDIAを識別し、漏洩した測定値を決定する機械学習(ML)ベースの検出フレームワークを提案する。 その結果,F1スコアは99.98%,FDIAは99.98%であった。
  論文  参考訳（メタデータ） (2025-04-12T23:06:59Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• MKF-ADS: Multi-Knowledge Fusion Based Self-supervised Anomaly Detection System for Control Area Network [9.305680247704542]
  制御エリアネットワーク(英: Control Area Network, CAN)は、車両ネットワークにおける電子制御ユニット(ECU)間の通信プロトコルである。 CANは、本質的にセキュリティ上のリスクのために、厳しいセキュリティ上の課題に直面している。 本稿では,MKF-ADSと呼ばれる自己教師付き多知識融合異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-07T07:40:53Z)
• 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)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Real-time Out-of-distribution Detection in Learning-Enabled Cyber-Physical Systems [1.4213973379473654]
  サイバー物理システムは、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで恩恵を受ける。 しかし、ディープニューラルネットワークは、システムの安全性に影響を及ぼす可能性のある、新しいタイプのハザードを導入している。 アウト・オブ・ディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
  論文  参考訳（メタデータ） (2020-01-28T17:51:07Z)

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。