論文の概要: S3CDM: A secret-sharing-scheme-based cyberattack detection model and its simulation implementation

• arxiv url: http://arxiv.org/abs/2604.09924v1
• Date: Fri, 10 Apr 2026 21:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.751391
• Title: S3CDM: A secret-sharing-scheme-based cyberattack detection model and its simulation implementation
• Title（参考訳）: S3CDM:秘密共有スキームによるサイバー攻撃検出モデルとそのシミュレーション実装
• Authors: Chi Sing Chum, Jia Lu, Claire Tang, Xiaowen Zhang,
• Abstract要約: 我々は秘密共有スキームによるサイバー攻撃検出モデル(S3CDM)を設計・開発する。 このモデルは、秘密を、認証、統合、不正なアクティビティの検出のための、正当な参加者またはコンポーネントのグループに分割する。 実現可能性を示すため、Google Cloud Platformの3つの部分でS3CDMを実装しています。
• 参考スコア（独自算出の注目度）: 5.5365702232750005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We design and develop a secret-sharing-scheme-based cyberattack detection model(S3CDM)that can detect unauthorized or illegal activities (especially insider attacks) and protect sensitive information within complex network infrastructures of large organizations. The model splits a secret among a group of legitimate participants or components for authentication, integration and detection of unauthorized activities. Traditional Shamir's polynomial interpolation based and our own hash function based schemes are utilized in the model, they both are practical and efficient to make sure the communications between different components are secure and any unauthorized activities can be detected. The model offers a flexible multi-factor authentication method to enhance the overall system security. Probability analysis [3] shows that multiple component model is more resistant against cyberattacks than the single component one. To demonstrate the feasibility, we implement the S3CDM in three parts on Google Cloud Platform, i.e., the front end UI (User Interface) running on an HTTP server, the back end individual services written in Python, and a PostgreSQL database. Docker is used to manage the start and stop of individual services and their URLs. We demonstrate how to use the UI with a use case of simulation of broken path in details.
• Abstract（参考訳）: 我々は、秘密共有スキームに基づくサイバー攻撃検出モデル(S3CDM)を設計・開発し、これは、不正または違法な行為(特にインサイダー攻撃)を検出し、大規模組織の複雑なネットワークインフラ内の機密情報を保護できる。 このモデルは、秘密を、認証、統合、不正なアクティビティの検出のための、正当な参加者またはコンポーネントのグループに分割する。 従来のシャミール多項式補間法と我々のハッシュ関数に基づくスキームをモデルで利用し、異なるコンポーネント間の通信が安全で、いかなる不正なアクティビティも検出できるように実用的かつ効率的である。 このモデルは、システム全体のセキュリティを強化するために、柔軟な多要素認証方法を提供する。 確率分析[3]は、複数のコンポーネントモデルが単一コンポーネントモデルよりもサイバー攻撃に対して抵抗性が高いことを示している。 実現可能性を示すために、私たちは、S3CDMをGoogle Cloud Platformの3つの部分、すなわち、HTTPサーバ上で動作するフロントエンドUI(User Interface)、Pythonで書かれたバックエンド個々のサービス、PostgreSQLデータベースで実装しています。 Dockerは個々のサービスとそのURLの開始と停止を管理するために使用される。 壊れたパスを詳細にシミュレーションするユースケースで、UIの使い方を実証する。

関連論文リスト

• CANTXSec: A Deterministic Intrusion Detection and Prevention System for CAN Bus Monitoring ECU Activations [53.036288487863786]
  物理ECUアクティベーションに基づく最初の決定論的侵入検知・防止システムであるCANTXSecを提案する。 CANバスの古典的な攻撃を検知・防止し、文献では調査されていない高度な攻撃を検知する。 物理テストベッド上での解法の有効性を実証し,攻撃の両クラスにおいて100%検出精度を達成し,100%のFIAを防止した。
  論文  参考訳（メタデータ） (2025-05-14T13:37:07Z)
• Setup Once, Secure Always: A Single-Setup Secure Federated Learning Aggregation Protocol with Forward and Backward Secrecy for Dynamic Users [12.804623314091508]
  フェデレートラーニング(FL)は、複数のユーザが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 セキュアアグリゲーションプロトコルは、アグリゲーションされた更新のみを公開することで、このリスクを軽減する。 FLトレーニング全体に対して,単一セットアップのみを必要とする新しいセキュアアグリゲーションプロトコルを提案する。
  論文  参考訳（メタデータ） (2025-02-13T06:01:09Z)
• Unified Physical-Digital Face Attack Detection [66.14645299430157]
  顔認識(FR)システムは物理的(印刷写真)とデジタル(ディープフェイク)攻撃に悩まされることがある。 以前の関連する作業では、両方の状況が同時に考慮されることはめったにありません。 視覚言語モデル(VLM)に基づく一元攻撃検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-31T09:38:44Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• CleanCLIP: Mitigating Data Poisoning Attacks in Multimodal Contrastive Learning [63.72975421109622]
  CleanCLIPは、バックドア攻撃によって引き起こされる学習された刺激的関連を弱める微調整フレームワークである。 CleanCLIPは、マルチモーダル・コントラッシブ・ラーニングに対するバックドア・アタックを根絶しながら、良質な例によるモデル性能を維持している。
  論文  参考訳（メタデータ） (2023-03-06T17:48:32Z)
• CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
  本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。 評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-14T11:27:49Z)
• UnSplit: Data-Oblivious Model Inversion, Model Stealing, and Label Inference Attacks Against Split Learning [0.0]
  Split Learningフレームワークは、モデルをクライアントとサーバ間で分割することを目的としている。 分割学習パラダイムは深刻なセキュリティリスクを生じさせ,セキュリティの誤った感覚以上のものを提供しないことを示す。
  論文  参考訳（メタデータ） (2021-08-20T07:39:16Z)
• Backdoor Attacks on Federated Meta-Learning [0.225596179391365]
  我々は,バックドア攻撃によるメタラーニングの効果を分析した。 本稿では,その特徴の類似性から入力のクラスが予測されるネットワークに触発された防御機構を提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:23:24Z)

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。