論文の概要: Devilray: A Systematic Adversarial Model Revealing Blind Spots in Fake Base Station Detection

• arxiv url: http://arxiv.org/abs/2605.19232v1
• Date: Tue, 19 May 2026 01:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.055046
• Title: Devilray: A Systematic Adversarial Model Revealing Blind Spots in Fake Base Station Detection
• Title（参考訳）: Devilray:フェイク基地局検出におけるブラインドスポットの体系的対向モデル
• Authors: Taekkyung Oh, Duckwoo Kim, Hansung Bae, Beomseok Oh, CheolJun Park, Tyler Tucker, Nathaniel Bennett, Sangwook Bae, Byeongdo Hong, Patrick Traynor, Yongdae Kim,
• Abstract要約: Devilrayは、現実的な対角線空間を探索するために設計された、再構成可能で参照グレードの対向線である。 我々の研究は、実世界の振る舞いと仕様分析に基づく最初の堅牢な敵モデルを提供する。
• 参考スコア（独自算出の注目度）: 10.646446982275208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fake Base Station (FBS) detection has been a critical focus of cellular security research for over two decades. However, significant financial and regulatory barriers to accessing commercial FBS (C-FBS) devices have limited direct visibility into real-world operations, forcing detection systems to be designed and evaluated around self-built prototypes. In this paper, we present Devilray, a reconfigurable and reference-grade adversarial baseline designed to systematically explore the realistic adversarial space and identify adversarial blind spots in current detection -- regions of realistic adversarial behavior excluded by prevailing threat models. We establish an empirical ground truth through the first academic analysis of a C-FBS and extend these observations into specification-driven operational variants permitted by 3GPP standards. Devilray enables the systematic exploration of 2,592 feasible and realistic FBS instances, capturing a wide range of operational possibilities. Using Devilray, we evaluate seven representative accessible FBS detectors and uncover coverage gaps across all seven, revealing blind spots rooted in assumption-bound design and evaluation. Our work provides the first robust adversarial model grounded in real-world behavior and specification analysis, enabling the community to develop and evaluate future detection mechanisms in a rigorous manner.
• Abstract（参考訳）: フェイク基地局(FBS)の検出は、20年以上にわたって細胞セキュリティ研究の重要な焦点となっている。 しかし、商用のFBS(C-FBS)デバイスにアクセスするための重要な金融および規制上の障壁は、実世界の運用に直接的な可視性を持たず、自作プロトタイプの設計と評価を強制する。 本稿では,現実的な敵空間を体系的に探索し,現在の検出における敵の盲点を同定するために設計された,再構成可能で参照グレードの敵のベースラインであるDevilrayについて述べる。 我々は,C-FBSを初めて学術的に分析し,これらの観測結果を3GPP標準で許容される仕様駆動型運用変種に拡張することによって,経験的根拠真理を確立する。 Devilrayは、2,592の現実的なFBSインスタンスの体系的な探索を可能にする。 Devilray を用いて 7 つの代表的な FBS 検出器と 7 つの全領域にわたるカバレッジギャップを解析し,仮定バウンド設計と評価に根ざした盲点を明らかにした。 我々の研究は、現実の行動と仕様分析に基づく最初の堅牢な敵モデルを提供し、コミュニティが厳密な方法で将来の検知機構を開発し評価することを可能にする。

関連論文リスト

• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• Deepfake detectors are DUMB: A benchmark to assess adversarial training robustness under transferability constraints [0.0]
  DUMB -- データセットのsoUrces、モデルアーキテクチャと Balance - と DUMBer メソッドを拡張して、ディープフェイク検出を行います。 我々は、転送可能性制約およびデータセット構成の下での敵攻撃に対するロバストネス検出器の評価を行った。 実験により, 対人訓練戦略は, 流通事例の堅牢性を高めるが, 採用戦略によっては, クロスデータセット構成下での分解も可能であることが示された。
  論文  参考訳（メタデータ） (2026-01-09T18:06:19Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• 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)
• Model X-ray:Detecting Backdoored Models via Decision Boundary [62.675297418960355]
  バックドア攻撃はディープニューラルネットワーク(DNN)に重大な脆弱性をもたらす 図形化された2次元(2次元)決定境界の解析に基づく新しいバックドア検出手法であるモデルX線を提案する。 提案手法は,クリーンサンプルが支配する意思決定領域とラベル分布の集中度に着目した2つの戦略を含む。
  論文  参考訳（メタデータ） (2024-02-27T12:42:07Z)
• Gotta Detect 'Em All: Fake Base Station and Multi-Step Attack Detection in Cellular Networks [13.189898824406804]
  フェイクベースステーション(FBSes)は、正当なベースステーション(BSes)を偽装することで、重大なセキュリティ上の脅威となる。 ユーザ機器(UE)側で機械学習(ML)を用いて,レイヤ3ネットワークトレースからFBSeとMSAを確実に検出できる,効率的かつ効率的な検出ソリューションであるFBSDetectorを開発した。 新たなMLフレームワークは,注目・トレースレベル分類付きステートフルLSTMとMSAを用いてパケット分類のためのマルチレベルアプローチでFBSeを検出することを目的としており,グラフ学習を用いてFBSeを精度96%,偽陽性率2.96%で効果的に検出することができる。
  論文  参考訳（メタデータ） (2024-01-10T06:57:00Z)
• Kick Bad Guys Out! Conditionally Activated Anomaly Detection in Federated Learning with Zero-Knowledge Proof Verification [31.38942054994932]
  フェデレーテッド・ラーニング(FL)システムは敵の攻撃を受けやすい。 RedJasperは、現実世界のFLデプロイメント用に特別に設計された2段階の異常検出手法である。 第1段階で不審な活動を特定し、第2段階を条件付きで活性化し、不審な局所モデルをさらに精査する。
  論文  参考訳（メタデータ） (2023-10-06T07:09:05Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。