論文の概要: Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks

• arxiv url: http://arxiv.org/abs/2603.23438v1
• Date: Tue, 24 Mar 2026 17:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.603443
• Title: Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks
• Title（参考訳）: ターゲットとした対向的トラフィック生成 : IoTネットワークにおける侵入検知システムへのブラックボックスアプローチ
• Authors: Islam Debicha, Tayeb Kenaza, Ishak Charfi, Salah Mosbah, Mehdi Sehaki, Jean-Michel Dricot,
• Abstract要約: この研究は、理論上の脆弱性を現実の応用性でブリッジし、現代のIoTエコシステムにおける脅威に対する理解と防御を強化することを目的としている。 本稿では,回避攻撃の影響を軽減し,MLベースのIDSの弾力性を強化するための防御策を提案する。
• 参考スコア（独自算出の注目度）: 0.19703625025720697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of machine learning (ML) algorithms into Internet of Things (IoT) applications has introduced significant advantages alongside vulnerabilities to adversarial attacks, especially within IoT-based intrusion detection systems (IDS). While theoretical adversarial attacks have been extensively studied, practical implementation constraints have often been overlooked. This research addresses this gap by evaluating the feasibility of evasion attacks on IoT network-based IDSs, employing a novel black-box adversarial attack. Our study aims to bridge theoretical vulnerabilities with real-world applicability, enhancing understanding and defense against sophisticated threats in modern IoT ecosystems. Additionally, we propose a defense scheme tailored to mitigate the impact of evasion attacks, thereby reinforcing the resilience of ML-based IDSs. Our findings demonstrate successful evasion attacks against IDSs, underscoring their susceptibility to advanced techniques. In contrast, we proposed a defense mechanism that exhibits robust performance by effectively detecting the majority of adversarial traffic, showcasing promising outcomes compared to current state-of-the-art defenses. By addressing these critical cybersecurity challenges, our research contributes to advancing IoT security and provides insights for developing more resilient IDS.
• Abstract（参考訳）: マシンラーニング(ML)アルゴリズムをIoT(Internet of Things)アプリケーションに統合することで、特にIoTベースの侵入検知システム(IDS)において、敵攻撃に対する脆弱性と並行して、大きなアドバンテージが導入された。 理論的敵攻撃は広く研究されているが、実践的実装の制約はしばしば見過ごされてきた。 本研究は,IoTネットワークベースのIDSに対する回避攻撃の可能性を評価することで,このギャップを解消する。 我々の研究は、理論上の脆弱性を現実の応用性でブリッジし、現代のIoTエコシステムにおける高度な脅威に対する理解と防御を強化することを目的としている。 さらに,回避攻撃の影響を軽減し,MLベースのIDSの弾力性を強化するための防御策を提案する。 以上の結果から, IDSに対する回避攻撃が成功し, 先進技術への感受性が示唆された。 対照的に、敵の交通の大半を効果的に検出し、現状の防衛と比較して有望な結果を示すことにより、ロバストな性能を示す防衛機構を提案する。 これらの重要なサイバーセキュリティの課題に対処することによって、私たちの研究はIoTセキュリティの進展に貢献し、よりレジリエントなIDSを開発するための洞察を与えてくれます。

関連論文リスト

• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Techniques of Modern Attacks [51.56484100374058]
  Advanced Persistent Threats (APT) は特定の標的を狙った複雑な攻撃方法である。 本稿では,近年の学術研究で提案されている攻撃ライフサイクルと最先端の検知・防衛戦略について検討する。 それぞれのアプローチの長所と短所を強調し、より適応的なAPT緩和戦略を提案する。
  論文  参考訳（メタデータ） (2026-01-19T22:15:25Z)
• Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting [5.35811141279537]
  敵攻撃に対するIoT IDSの堅牢性を高める新しい敵検出モデルを提案する。 我々は、ネットワークトラフィックの特徴から属性指紋を抽出し、IDSがクリーン入力と逆入力を確実に区別できるようにする。 我々は、標準的なIoTベンチマークデータセットでモデルを評価し、敵の攻撃を検出する最先端の手法を著しく上回った。
  論文  参考訳（メタデータ） (2025-11-09T02:56:54Z)
• SoK: Systematic analysis of adversarial threats against deep learning approaches for autonomous anomaly detection systems in SDN-IoT networks [1.4610038284393163]
  本研究では、構造化された敵対的脅威モデルと攻撃の包括的分類を導入し、それらをデータ、モデル、ハイブリッドレベルの脅威に分類する。 以上の結果から、敵の攻撃によって検出精度が最大48.4%低下し、メンバーシップ推論が最大の低下を招いたことが判明した。 本稿では、リアルタイムの敵緩和、強化されたリトレーニング機構、説明可能なAI駆動型セキュリティフレームワークなど、適応的な対策を提案する。
  論文  参考訳（メタデータ） (2025-09-30T14:54:42Z)
• Modern DDoS Threats and Countermeasures: Insights into Emerging Attacks and Detection Strategies [49.57278643040602]
  分散型サービス拒否(DDoS)攻撃は、オンラインサービスとインフラストラクチャに対する重大な脅威として継続する。 本稿は、過去10年間のDDoS攻撃と検出戦略の包括的調査を提供する。
  論文  参考訳（メタデータ） (2025-02-27T11:22:25Z)
• A Defensive Framework Against Adversarial Attacks on Machine Learning-Based Network Intrusion Detection Systems [3.155715652244226]
  従来のシグネチャベースのネットワーク侵入検知システム(NIDS)はゼロデイ攻撃に対して不十分である。 従来のシグネチャベースのNIDSは、バイパス検出のためにネットワークトラフィックを微妙に操作する敵の回避攻撃に対して脆弱である。 本稿では,ML ベースの NIDS の堅牢性を高める新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-21T16:22:11Z)
• A Comprehensive Analysis of Routing Vulnerabilities and Defense Strategies in IoT Networks [0.0]
  IoT(Internet of Things)はさまざまなドメインに革命をもたらし、相互接続性の向上とデータ交換を通じて大きなメリットを提供している。 しかし、IoTネットワークに関連するセキュリティ上の課題は、その固有の脆弱性のため、ますます顕著になっている。 本稿では、IoTアーキテクチャにおけるネットワーク層の詳細分析を行い、ルーティングアタックによる潜在的なリスクを明らかにする。
  論文  参考訳（メタデータ） (2024-10-17T04:38:53Z)
• Untargeted White-box Adversarial Attack with Heuristic Defence Methods in Real-time Deep Learning based Network Intrusion Detection System [0.0]
  Adversarial Machine Learning (AML)では、悪意のあるアクターが機械学習(ML)とディープラーニング(DL)モデルを騙して、誤った予測を生成する。 AMLは新たな研究領域であり、敵の攻撃の詳細な研究に欠かせないものとなっている。 我々は,FGSM(Fast Gradient Sign Method),JSMA(Jacobian Saliency Map Attack),PGD(Projected Gradient Descent),Cerini & Wagner(C&W)の4つの強力な攻撃手法を実装した。
  論文  参考訳（メタデータ） (2023-10-05T06:32:56Z)
• Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
  本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。 皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。 また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
  論文  参考訳（メタデータ） (2020-08-26T19:27:27Z)
• Challenges and Countermeasures for Adversarial Attacks on Deep Reinforcement Learning [48.49658986576776]
  深層強化学習(Dep Reinforcement Learning, DRL)は、周囲の環境に適応する優れた能力のおかげで、現実世界に多くの応用がある。 その大きな利点にもかかわらず、DRLは現実のクリティカルシステムやアプリケーションでの使用を妨げている敵攻撃の影響を受けやすい。 本稿では,DRLベースのシステムにおける新たな攻撃と,これらの攻撃を防御するための潜在的対策について述べる。
  論文  参考訳（メタデータ） (2020-01-27T10:53:11Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。