論文の概要: Binary Image-Based Intrusion Detection for Operational Technology Networks: Extending the SPHBI Methodology from IoT to Modbus TCP

• arxiv url: http://arxiv.org/abs/2605.04250v2
• Date: Thu, 07 May 2026 09:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 17:36:06.154984
• Title: Binary Image-Based Intrusion Detection for Operational Technology Networks: Extending the SPHBI Methodology from IoT to Modbus TCP
• Title（参考訳）: 動作技術ネットワークのためのバイナリイメージベース侵入検出:IoTからModbus TCPへのSPHBI方法論の拡張
• Authors: Aamir Omar,
• Abstract要約: 本稿では,Single Packet Header Binary Image(SPHBI)の侵入検出手法をIoTからTCPに拡張する。 TCP/IPヘッダだけでは51.8%のバイナリ精度しか達成していない。 8バイトのアプリケーション層情報を追加すると、バイナリの精度は98.1%向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper extends the Single Packet Header Binary Image (SPHBI) intrusion detection methodology from IoT to Modbus TCP, evaluating five approaches spanning a gradient of protocol depth on the CIC Modbus 2023 dataset (11.4 million packets, eight detectable attack types). TCP/IP headers alone achieve only 51.8% binary accuracy, confirming that header-level heterogeneity exploited in IoT traffic is absent in uniform SCADA environments. Adding eight bytes of application-layer information improves binary accuracy to 98.1% with just 63 parameters, directly relevant to per-packet classification on resource-constrained OT edge devices. The best-performing approach achieves 94.4% +/- 2.2pp multiclass accuracy across nine classes (95% CI [92.9%, 95.9%], 10 seeds) with 56,873 parameters, roughly 430 times fewer than comparable ResNet50-based approaches. Per-class recall analysis shows seven of eight detectable attack types identified with recall above 94%, while replay attacks remain structurally undetectable by any single-packet method.
• Abstract（参考訳）: 本稿では,IoT から Modbus TCP へのシングルパケットヘッダバイナリイメージ (SPHBI) 侵入検出手法を拡張し,CIC Modbus 2023 データセットのプロトコル深さの勾配にまたがる5つのアプローチについて検討する。 TCP/IPヘッダだけでは51.8%のバイナリ精度しか達成せず、IoTトラフィックで利用されるヘッダレベルの不均一性はSCADAの統一環境では欠落している。 8バイトのアプリケーション層情報を追加することで、63のパラメータだけで98.1%のバイナリ精度が向上し、リソース制約のOTエッジデバイス上でのパッケージごとの分類に直接関係する。 最高のパフォーマンスのアプローチは9つのクラス(95% CI [92.9%, 95.9%]、10のシード)で94.4% +/- 2.2ppのマルチクラス精度を実現し、56,873のパラメータを持つ。 クラスごとのリコール分析では、リコールによって特定された8つの攻撃タイプのうち7つが94%以上であり、一方、リプレイアタックは単一パケット方式では構造的に検出できない。

関連論文リスト

• Prototype-Based Test-Time Adaptation of Vision-Language Models [58.28899599773308]
  PTA(Prototype-based Test-Time Adaptation) PTAは一連のクラス固有の知識プロトタイプを使用して、テストサンプルから知識を蓄積する。 PTAは最先端の性能を達成しつつ、極めて高い効率を達成する。
  論文  参考訳（メタデータ） (2026-04-23T07:20:56Z)
• InverseNet: Benchmarking Operator Mismatch and Calibration Across Compressive Imaging Modalities [8.513179174301722]
  最先端のEfficientSCIは、フォワード演算子がわずか8つのパラメータで物理的現実から逸脱すると20.58dBを失う。 既存のベンチマークでは、デプロイされた圧縮イメージングシステムにおけるデフォルト条件である演算子ミスマッチを定量化していない。 CASSI、CACTI、シングルピクセルカメラにまたがる演算子ミスマッチのための最初のクロスモーダルベンチマークであるInverseNetを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T19:25:32Z)
• Learnable Conformal Prediction with Context-Aware Nonconformity Functions for Robotic Planning and Perception [4.694504497452662]
  Learnable Conformal Predictionは、固定スコアを軽量なニューラル関数に置き換えて、コンテキスト認識の不確実性セットを生成する。 CPの理論的保証を維持しつつ、予測セットのサイズを18%減らし、検出間隔を52%減らし、経路計画の安全性を72%から91%に改善し、オーバーヘッドを最小限に抑えている。 ハードウェア評価では、LCPは1%未満のメモリと15.9%の推論オーバーヘッドを追加したが、検出タスクでは39 FPSを維持し、アンサンブルの7.4倍のエネルギー効率を保っている。
  論文  参考訳（メタデータ） (2025-09-26T06:44:58Z)
• LPASS: Linear Probes as Stepping Stones for vulnerability detection using compressed LLMs [0.0]
  本稿では,Linear Probesを用いて圧縮された大言語モデルの性能を推定する方法を示す。 また, レイヤプルーニング圧縮を適用する際に, カットオフ点の設定に適合することを示す。 我々のアプローチは、$LPASS$と呼ばれ、480kのC/C++サンプル上で、MITREのTop 25の最も危険な脆弱性を検出するためにBERTとGemmaに適用される。
  論文  参考訳（メタデータ） (2025-05-30T10:37:14Z)
• Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
  ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。 提案手法の有効性を広範囲な実験により実証する。
  論文  参考訳（メタデータ） (2024-04-06T13:14:04Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• End-to-End Sensitivity-Based Filter Pruning [49.61707925611295]
  本稿では,各層間のフィルタの重要度を学習するための感度に基づくフィルタプルーニングアルゴリズム(SbF-Pruner)を提案する。 提案手法はフィルタ重みからスコアを学習し,各層のフィルタ間の相関を考慮できる。
  論文  参考訳（メタデータ） (2022-04-15T10:21:05Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)

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。