論文の概要: Mitigating Evasion Attacks in Fog Computing Resource Provisioning Through Proactive Hardening
- arxiv url: http://arxiv.org/abs/2603.25257v1
- Date: Thu, 26 Mar 2026 10:00:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.229293
- Title: Mitigating Evasion Attacks in Fog Computing Resource Provisioning Through Proactive Hardening
- Title（参考訳）: プロアクティブハードニングによるフォグコンピューティング資源の侵入攻撃の軽減
- Abstract要約: 本稿では,霧ネットワークにおける資源供給に使用するk-meansアルゴリズムによって割り当てられた仮想マシンによる整合性攻撃のモデル化の可能性について検討する。
k-meansアルゴリズムは、要求されたワークロードのクラスタを形成するオフラインクラスタリングと、新たなリクエストをオフライン生成クラスタにオンライン分類する、という2つのフェーズを反復的に実行する。
- 参考スコア（独自算出の注目度）: 0.6989900669395945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the susceptibility to model integrity attacks that overload virtual machines assigned by the k-means algorithm used for resource provisioning in fog networks. The considered k-means algorithm runs two phases iteratively: offline clustering to form clusters of requested workload and online classification of new incoming requests into offline-created clusters. First, we consider an evasion attack against the classifier in the online phase. A threat actor launches an exploratory attack using query-based reverse engineering to discover the Machine Learning (ML) model (the clustering scheme). Then, a passive causative (evasion) attack is triggered in the offline phase. To defend the model, we suggest a proactive method using adversarial training to introduce attack robustness into the classifier. Our results show that our mitigation technique effectively maintains the stability of the resource provisioning system against attacks.
- Abstract（参考訳）: 本稿では,霧ネットワークにおける資源供給に使用されるk平均アルゴリズムによって割り当てられた仮想マシンをオーバーロードする,整合性攻撃のモデル化の可能性について検討する。
k-meansアルゴリズムは、要求されたワークロードのクラスタを形成するオフラインクラスタリングと、新たなリクエストをオフライン生成クラスタにオンライン分類する、という2つのフェーズを反復的に実行する。
まず、オンラインフェーズにおける分類器に対する回避攻撃について検討する。
脅威アクターは、クエリベースのリバースエンジニアリングを使用して探索攻撃を開始し、機械学習(ML)モデル(クラスタリングスキーム)を発見する。
そして、オフラインフェーズにパッシブ因果(回避)攻撃をトリガーする。
モデルを守るために, 対人訓練を用いて, 分類器に攻撃堅牢性を導入するプロアクティブな手法を提案する。
本手法は,攻撃に対する資源供給システムの安定性を効果的に維持することを示す。
関連論文リスト
- FlowGuard: Flow Matching for Identity-Independent Detection of Data-Free Model Stealing Attacks on Energy System Intrusion Detection Systems [0.0]
FlowGuardは、入ってくるクエリをアウト・オブ・ディストリビューション(OOD)として分類するフローマッチングに基づく、IDに依存しない防御である。
このアプローチは、データフリーモデル盗難攻撃のために合成的に生成されたクエリが、実際のネットワークトラフィックよりも低次元の多様体を占有しているという事実を生かしている。
我々は,MAZE と DisGUIDE 攻撃を用いたPRADA と FDINet に対して,単サイクルで分散した (100-client Sybil) 設定で評価した。
論文 参考訳（メタデータ） (2026-06-02T10:18:45Z) - Few-Shot Network Intrusion Detection Using Online Triplet Mining [0.815557531820863]
最先端のアプローチでは、監視された機械学習手法を使用して、既知のサイバー攻撃を認識するために分類モデルをトレーニングする。
これらのモデルは、小さなデータセットでトレーニングされた場合、トレーニングとパフォーマンスの低下を示すために、大きなラベル付きデータセットを必要とする。
本研究は,オンライントリプルトマイニングを利用したトリプルトネットワークと,数発の分類が可能なKNN分類器を提案する。
論文 参考訳（メタデータ） (2026-05-17T16:30:06Z) - Enhancing Network Intrusion Detection Systems: A Multi-Layer Ensemble Approach to Mitigate Adversarial Attacks [10.849171172103198]
敵対的な例は、機械学習(ML)アルゴリズムに対する深刻な脅威を表している。
本研究では,ネットワーク侵入検知システムのロバスト性を高めることにより,そのようなリスクを軽減することを目的とする。
論文 参考訳（メタデータ） (2026-03-11T04:53:48Z) - Model-agnostic clean-label backdoor mitigation in cybersecurity environments [6.857489153636145]
近年の研究では、セキュリティ分類タスク用に設計されたモデルにバックドアを注入する、一連の悪質な訓練時間攻撃が表面化している。
我々は、サイバーセキュリティ脅威モデルの洞察を活用して、これらのクリーンラベル中毒攻撃を効果的に軽減する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-11T03:25:40Z) - Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。
本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。
C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
論文 参考訳（メタデータ） (2024-05-24T14:20:09Z) - Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。
我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
論文 参考訳（メタデータ） (2023-12-20T05:06:01Z) - Post-Training Detection of Backdoor Attacks for Two-Class and
Multi-Attack Scenarios [22.22337220509128]
バックドア攻撃(BA)は、ディープニューラルネットワーク分類器に対する新たな脅威である。
本稿では,BPリバースエンジニアリングに基づく検出フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-20T22:21:38Z) - Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the
Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。
我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。
攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文 参考訳（メタデータ） (2021-11-23T23:42:16Z) - FooBaR: Fault Fooling Backdoor Attack on Neural Network Training [5.639451539396458]
ニューラルネットワークのトレーニングフェーズ中に障害を注入することで,新たな攻撃パラダイムを探索する。
このような攻撃は、トレーニングフェーズの障害攻撃がネットワークにバックドアを注入し、攻撃者が不正な入力を生成できるようにするような、不正なバックドアと呼ばれる。
論文 参考訳（メタデータ） (2021-09-23T09:43:19Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Online Adversarial Attacks [57.448101834579624]
我々は、実世界のユースケースで見られる2つの重要な要素を強調し、オンライン敵攻撃問題を定式化する。
まず、オンライン脅威モデルの決定論的変種を厳格に分析する。
このアルゴリズムは、現在の最良の単一しきい値アルゴリズムよりも、$k=2$の競争率を確実に向上させる。
論文 参考訳（メタデータ） (2021-03-02T20:36:04Z) - A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。
本稿では,入力空間における自己教師型対向学習機構を提案する。
これは、反逆攻撃に対する強力な堅牢性を提供する。
論文 参考訳（メタデータ） (2020-06-08T20:42:39Z)
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。