論文の概要: Noisy Networks, Nosy Neighbors: Simple Privacy Attacks Against Residential Wireless Traffic

• arxiv url: http://arxiv.org/abs/2605.02553v1
• Date: Mon, 04 May 2026 13:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.291876
• Title: Noisy Networks, Nosy Neighbors: Simple Privacy Attacks Against Residential Wireless Traffic
• Title（参考訳）: ノイズの多いネットワーク、Nosy Neighbors:住宅のワイヤレストラフィックに対するシンプルなプライバシー攻撃
• Authors: Arne Roszeitis, Bartosz Burgiel, Victor Jüttner, Erik Buchmann,
• Abstract要約: 本稿では、ITスキルが単純で、専門のサイバーセキュリティやMLツールがない攻撃者が、プライバシ攻撃を再現できる範囲について検討する。 このカジュアルアタッカーは、デバイスを手動で識別し、ユーザ状態を認識し、RSSI三角測量を通してスマートフォンの動きを追跡し、日々の詳細なルーチンを抽出することに成功した。 われわれの調査によると、スマートホームのプライバシー漏洩は、低リソースで単純な敵からの脅威だ。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Smart devices, such as light bulbs, TVs, fridges, etc., equipped with computing capabilities and wireless communication, are part of everyday life in many households. Previous work has already shown that a passive eavesdropper can derive private information, household routines, etc., from the network traffic of smart devices. However, existing attacks rely on capable adversaries with specialized machine learning expertise, labeled training data and reference devices, leaving it unclear how vulnerable ordinary households are to less sophisticated attackers. In this paper, we investigate the extent to which a ,,casual attacker'' with straightforward IT skills and no specialized cybersecurity or ML tooling can reproduce such privacy attacks. Operating from an adjacent room in a real-world apartment building, we constrain our adversary to use only three off-the-shelf Raspberry Pis, Wireshark, and basic Python scripts. Through a three-week study, we demonstrate that this casual attacker can manually identify devices, recognize user states, track smartphone movements through walls via RSSI triangulation, and successfully extract detailed daily routines, including sleep patterns of guests. Our findings show that smart-home privacy leakage is a threat even from low-resourced, straightforward adversaries, e.g., neighbors.
• Abstract（参考訳）: 電球、テレビ、冷蔵庫などのスマートデバイスは、コンピュータ機能と無線通信を備え、多くの家庭で日常的に使われている。 これまでの研究によると、受動的盗聴器は、スマートデバイスのネットワークトラフィックから、個人情報や家庭内ルーチンなどを引き出すことができる。 しかし、既存の攻撃は、専門的な機械学習の専門知識を持つ有能な敵に頼り、トレーニングデータと参照デバイスをラベル付けした。 本稿では,サイバーセキュリティやMLツールを使わない,簡単なITスキルを持った「カジュアルアタッカー」が,そのようなプライバシアタックを再現できる範囲について検討する。 現実世界のアパートの隣の部屋から操作することで、私たちは敵に、市販のRaspberry Pi、Wireshark、基本的なPythonスクリプトを3つだけ使うことを制限します。 3週間の研究では、このカジュアルアタッカーがデバイスを手動で識別し、ユーザ状態を認識し、RSSI三角測量を通してスマートフォンの動きを追跡し、ゲストの睡眠パターンを含む詳細な日常的なルーチンを抽出できることが実証された。 私たちの調査によると、スマートホームのプライバシー漏洩は、低リソースで単純な敵、例えば隣人でさえも脅威であることがわかった。

関連論文リスト

• Noisy Networks, Nosy Neighbors: Inferring Privacy Invasive Information from Encrypted Wireless Traffic [0.0]
  この論文は、スマートホーム環境における無線トラフィックの受動的観測が、住民に関するプライバシー侵害情報を推測するのにどの程度有効であるかを考察する。 デバイスを識別し,その動作状態を推定し,RSSIに基づく三元化を用いて位置を近似する。 以上の結果から,スマートホームにおけるプライバシーリスクは,従来のデータ漏洩を超えて拡大していることがわかった。
  論文  参考訳（メタデータ） (2025-09-27T15:36:11Z)
• VisualTrap: A Stealthy Backdoor Attack on GUI Agents via Visual Grounding Manipulation [73.92237451442752]
  この研究は、GUI要素に対するGUIエージェントをマッピングするテキストプランの視覚的基盤が脆弱性をもたらすことを明らかにしている。 視覚的接地を目的としたバックドア攻撃では、適切なタスク解決計画が与えられた場合でもエージェントの行動が損なわれる可能性がある。 そこで我々は,エージェントが意図したターゲットではなく,意図した位置をトリガーするテキストプランを見つけることをミスリードすることで,グラウンドディングをハイジャックできるVisualTrapを提案する。
  論文  参考訳（メタデータ） (2025-07-09T14:36:00Z)
• An anomaly detection approach for backdoored neural networks: face recognition as a case study [77.92020418343022]
  本稿では,異常検出の原理に基づく新しいバックドアネットワーク検出手法を提案する。 バックドアネットワークの新たなデータセット上で本手法を検証し,完全スコアで検出可能性について報告する。
  論文  参考訳（メタデータ） (2022-08-22T12:14:13Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)
• Check Your Other Door! Establishing Backdoor Attacks in the Frequency Domain [80.24811082454367]
  検出不能で強力なバックドア攻撃を確立するために周波数領域を利用する利点を示す。 また、周波数ベースのバックドア攻撃を成功させる2つの防御方法と、攻撃者がそれらを回避できる可能性を示す。
  論文  参考訳（メタデータ） (2021-09-12T12:44:52Z)
• Investigating the significance of adversarial attacks and their relation to interpretability for radar-based human activity recognition systems [2.081492937901262]
  レーダベースのCNNは、ホワイトボックス攻撃とブラックボックス攻撃の両方に影響を受けやすいことを示す。 我々はまた、レーダーベースのCNNによって行われた予測を変更することが可能である極端な敵対攻撃ケースの存在を明らかにします。
  論文  参考訳（メタデータ） (2021-01-26T05:16:16Z)
• A GAN-based Approach for Mitigating Inference Attacks in Smart Home Environment [3.785123406103385]
  本研究では,スマートホーム利用者をスパイしている敵が,機械学習技術を用いてセンシティブな情報を推測する問題について検討する。 スマートホームにおけるプライバシー保護のためのGAN(Generative Adrial Network)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-13T02:14:32Z)
• The Dark (and Bright) Side of IoT: Attacks and Countermeasures for Identifying Smart Home Devices and Services [4.568911586155096]
  3つの一般的なIoTスマートホームデバイスを特徴付けるトラフィックパターンを記述するモデルを構築した。 上記のデバイスによって動作しているサービスと、その存在の圧倒的な確率で検出および識別することが可能であることを実証する。
  論文  参考訳（メタデータ） (2020-09-16T13:28:59Z)
• NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion [0.3007949058551534]
  機械学習の台頭以前、攻撃を示唆するネットワーク異常は、巧妙なルールを用いて検出された。 ネットワーク異常に対する機械学習の進歩により、人間がサイバー防御システムをバイパスする方法を理解することは容易ではない。 本稿では, 分類器を構築し, ネットワークデータの逆例で訓練しても, 敵攻撃を利用でき, システムを破壊することができることを示す。
  論文  参考訳（メタデータ） (2020-02-20T01:54:45Z)
• Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
  本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。 特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。 個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
  論文  参考訳（メタデータ） (2020-02-11T13:58:16Z)

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。