論文の概要: An Efficient Intrusion Detection System for Safeguarding Radiation Detection Systems
- arxiv url: http://arxiv.org/abs/2509.01599v1
- Date: Mon, 01 Sep 2025 16:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.776942
- Title: An Efficient Intrusion Detection System for Safeguarding Radiation Detection Systems
- Title（参考訳）: 放射線検出システムの安全確保のための効率的な侵入検知システム
- Authors: Nathanael Coolidge, Jaime González Sanz, Li Yang, Khalil El Khatib, Glenn Harvel, Nelson Agbemava, I Putu Susila, Mehmet Yavuz Yagci,
- Abstract要約: 放射線検出システム(RDS)は、環境中の放射性物質の異常なレベルを測定し、検出するために用いられる。
これらのシステムには、データを修正するための悪意のある外部攻撃に対する保護がない。
RDSに対する一般的な攻撃はDoS(Denial of Service)であり、攻撃者はシステムを圧倒し、機能不全なRDSを引き起こす。
本稿では,DoS攻撃に着目し,放射データの異常を検出するための機械学習(ML)ベースの効率的なIDSを提案する。
- 参考スコア（独自算出の注目度）: 3.0341074926328044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiation Detection Systems (RDSs) are used to measure and detect abnormal levels of radioactive material in the environment. These systems are used in many applications to mitigate threats posed by high levels of radioactive material. However, these systems lack protection against malicious external attacks to modify the data. The novelty of applying Intrusion Detection Systems (IDS) in RDSs is a crucial element in safeguarding these critical infrastructures. While IDSs are widely used in networking environments to safeguard against various attacks, their application in RDSs is novel. A common attack on RDSs is Denial of Service (DoS), where the attacker aims to overwhelm the system, causing malfunctioning RDSs. This paper proposes an efficient Machine Learning (ML)-based IDS to detect anomalies in radiation data, focusing on DoS attacks. This work explores the use of sampling methods to create a simulated DoS attack based on a real radiation dataset, followed by an evaluation of various ML algorithms, including Random Forest, Support Vector Machine (SVM), logistic regression, and Light Gradient-Boosting Machine (LightGBM), to detect DoS attacks on RDSs. LightGBM is emphasized for its superior accuracy and low computational resource consumption, making it particularly suitable for real-time intrusion detection. Additionally, model optimization and TinyML techniques, including feature selection, parallel execution, and random search methods, are used to improve the efficiency of the proposed IDS. Finally, an optimized and efficient LightGBM-based IDS is developed to achieve accurate intrusion detection for RDSs.
- Abstract（参考訳）: 放射線検出システム(RDS)は、環境中の放射性物質の異常なレベルを測定し、検出するために用いられる。
これらのシステムは、高レベルの放射性物質によって引き起こされる脅威を軽減するために多くの用途で使用されている。
しかし、これらのシステムはデータを修正するための悪意のある外部攻撃に対する保護を欠いている。
RDSに侵入検知システム(IDS)を適用することの新規性は、これらの重要なインフラを保護する上で重要な要素である。
IDSはネットワーク環境において様々な攻撃に対する防御に広く利用されているが、RDSの応用は新しいものである。
RDSに対する一般的な攻撃はDoS(Denial of Service)であり、攻撃者はシステムを圧倒し、機能不全なRDSを引き起こす。
本稿では,DoS攻撃に着目し,放射データの異常を検出するための機械学習(ML)ベースの効率的なIDSを提案する。
本研究では、実放射線データセットに基づくシミュレーションDoS攻撃生成のためのサンプリング手法の使用について検討し、続いてRandom Forest、Support Vector Machine(SVM)、ロジスティック回帰、Light Gradient-Boosting Machine(LightGBM)など、さまざまなMLアルゴリズムを評価して、DSに対するDoS攻撃を検出する。
LightGBMは精度が良く、計算資源の消費も少ないため、特にリアルタイムな侵入検知に向いている。
さらに,特徴選択や並列実行,ランダム検索など,モデル最適化やTinyML手法を用いて,提案したIDSの効率を向上させる。
最後に、RDSの正確な侵入検出を実現するために、最適化され効率的なLightGBMベースのIDSを開発した。
関連論文リスト
- Securing Radiation Detection Systems with an Efficient TinyML-Based IDS for Edge Devices [3.5216201054915692]
放射線検出システム(RDS)は、様々な環境において公衆の安全を確保する上で重要な役割を担っている。
これらのシステムはますますサイバー攻撃に弱い。
本稿では,資源制約環境に適した新しい合成放射線データセットと侵入検知システム(IDS)を提案する。
論文 参考訳（メタデータ） (2025-09-01T16:26:37Z) - DataSentinel: A Game-Theoretic Detection of Prompt Injection Attacks [101.52204404377039]
LLM統合されたアプリケーションとエージェントは、インジェクション攻撃に弱い。
検出方法は、入力が注入プロンプトによって汚染されているかどうかを判定することを目的とする。
本研究では,迅速なインジェクション攻撃を検出するゲーム理論手法であるDataSentinelを提案する。
論文 参考訳（メタデータ） (2025-04-15T16:26:21Z) - Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。
Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。
ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-28T00:09:46Z) - Optimized IoT Intrusion Detection using Machine Learning Technique [0.0]
侵入検知システム(IDS)は様々な攻撃に対する防御に不可欠である。
IoT IDSシステムの機能的および物理的多様性は、重大な問題を引き起こす。
本研究は、特異性に基づくIDSに対して、新しい成分選択抽出戦略を提案し、実装する。
論文 参考訳（メタデータ） (2024-12-03T21:23:54Z) - Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T09:36:38Z) - Towards a Privacy-preserving Deep Learning-based Network Intrusion
Detection in Data Distribution Services [0.0]
Data Distribution Service(DDS)は、ICS/IoTインフラストラクチャとロボティクスにおけるコミュニケーションに向けた革新的なアプローチである。
従来の侵入検知システム(IDS)はパブリッシュ/サブスクライブ方式では異常を検知しない。
本稿では,Deep Learningのシミュレーションと応用に関する実験的検討を行った。
論文 参考訳（メタデータ） (2021-06-12T12:53:38Z) - Time-Based CAN Intrusion Detection Benchmark [0.0]
車両制御システムはメッセージインジェクション攻撃に対して脆弱である。
タイムベースの侵入検知システム (IDS) が提案されている。
新たに公開されたROADデータセットに対して4つの時間ベースのIDSをベンチマークする。
また,軽量ハードウェアを用いたアフターマーケット用プラグイン検出器を開発した。
論文 参考訳（メタデータ） (2021-01-14T18:33:19Z) - 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) - Data Mining with Big Data in Intrusion Detection Systems: A Systematic
Literature Review [68.15472610671748]
クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。
データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。
ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
論文 参考訳（メタデータ） (2020-05-23T20:57:12Z) - Multi-stage Jamming Attacks Detection using Deep Learning Combined with
Kernelized Support Vector Machine in 5G Cloud Radio Access Networks [17.2528983535773]
本研究は5G C-RANにML-IDS(Multi-stage Machine Learning-based Intrusion Detection)を配置することに焦点を当てる。
一定のジャミング、ランダムジャミング、ジャミング、リアクティブジャミングの4種類のジャミング攻撃を検出し、分類することができる。
最終分類精度は94.51%で、偽陰性率は7.84%である。
論文 参考訳（メタデータ） (2020-04-13T17:21:45Z)
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。