論文の概要: Inferring Routing-Layer Defense Mechanisms from Observable Behavior in OLSR-Based MANETs

• arxiv url: http://arxiv.org/abs/2606.00184v1
• Date: Fri, 29 May 2026 15:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 15:57:46.017223
• Title: Inferring Routing-Layer Defense Mechanisms from Observable Behavior in OLSR-Based MANETs
• Title（参考訳）: OLSR系MANETにおける観測行動からのルーティング層防御機構の推測
• Abstract要約: OLSRのようなプロアクティブなルーティングプロトコルに基づくモバイルアドホックネットワーク(MANET)は、ルーティング層攻撃に対して脆弱である。 本研究では、外部観測可能なルーティングと制御面の挙動から導かれる特徴から、ルーティング層ディフェンスの存在を推定できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.9239779358333179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile ad hoc networks (MANETs) based on proactive routing protocols such as OLSR remain vulnerable to routing-layer attacks. While prior work has focused primarily on attack detection, the problem of identifying deployed defenses has received comparatively little attention. This work examines whether the presence of a routing-layer defense can be inferred from features derived exclusively from externally observable routing and control-plane behavior. The evaluated Fictive Mitigation mechanism operates entirely within standard OLSR control traffic and introduces no new packet types, making passive detection inherently difficult. Using ns-3 simulations across baseline, attack-only, defense-only, and combined attack-defense regimes under both static and mobile conditions, we derive features from observable routing dynamics and control-plane activity available to a passive observer. Despite the restricted observability available to the adversary, the results show that defense detection remains feasible in this setting. Ensemble models achieve in-domain accuracy up to $0.91$ (AUC $0.96$). Cross-domain generalization is asymmetric: models trained on static data degrade under mobility ($\approx 0.67$), whereas mobile-trained models transfer more robustly ($\approx 0.84$). Restricting the model to a compact invariant feature subset of four metrics yields near-symmetric cross-domain transfer ($\approx 0.86$ in both directions). These findings indicate that the evaluated defense mechanism leaves a detectable statistical footprint in passively observable routing behavior, providing adversaries with a potential reconnaissance capability in protected MANET deployments.
• Abstract（参考訳）: OLSRのようなプロアクティブなルーティングプロトコルに基づくモバイルアドホックネットワーク(MANET)は、ルーティング層攻撃に対して脆弱である。 以前の研究は主に攻撃検出に焦点を合わせてきたが、配備された防御を識別する問題は比較的ほとんど注目されなかった。 本研究は、外部観測可能なルーティングと制御面の挙動から派生した特徴から、ルーティング層防御の存在を推定できるかどうかを考察する。 評価されたFictive Mitigationメカニズムは、標準のOLSR制御トラフィック内で完全に動作し、新しいパケットタイプを導入せず、受動的検出が本質的に困難である。 基地線, 攻撃専用, 防衛専用, および静的および移動条件下での攻撃防御機構を組み合わせたns-3シミュレーションを用いて, 受動オブザーバに利用可能な観測可能なルーティングダイナミクスと制御プレーンの動作から特徴を導出する。 敵の監視が制限されているにもかかわらず、この設定では防御検出が可能であることが示されている。 アンサンブルモデルは、最大0.91ドル(AUC $0.96ドル)のドメイン内精度を達成する。 ドメイン間の一般化は非対称で、静的データでトレーニングされたモデルはモビリティで劣化する("\approx 0.67$")が、モバイルでトレーニングされたモデルはより堅牢に転送される("\approx 0.84$")。 モデルを4つのメトリクスのコンパクトな不変特徴部分集合に制限すると、ほぼ対称なクロスドメイン転送(どちらの方向でも0.86$)が得られる。 これらの結果から, 評価された防御機構は, 受動的に観測可能なルーティング動作において, 検出可能な統計的フットプリントを残しており, 保護されたMANET展開において, 敵に潜在的な偵察能力を与えることが示唆された。

関連論文リスト

• AdROD: HyperNetwork-based Adversarially Robust Object Detection for Autonomous Driving [4.4758385009686945]
  カメラベースの物体検出器は、検出を抑制するために設計された物理的敵攻撃に対して脆弱である。 本稿では,自律運転のための組込み型アンサンブル防御ソフトウェアAdRODを提案する。
  論文  参考訳（メタデータ） (2026-08-17T02:52:01Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• From Sampled Outcomes to Capability Distributions: Rethinking Supervision for LLM Routing [79.19755531338872]
  既存のルーティングメソッドは、クエリに対するモデルの単一応答を、トレーニングの能力ラベルとして扱う。 この仮定はルーティング管理にシステマティックノイズを導入し、学習されたルーティングポリシーの信頼性を低下させることを示す。 本稿では, DARS(Distribution-Aware Routing Supervision)を提案する。
  論文  参考訳（メタデータ） (2026-06-05T05:42:00Z)
• ProtoGuard-SL: Prototype Consistency Based Backdoor Defense for Vertical Split Learning [4.085737586606009]
  本稿では,組込み空間におけるクラス条件表現の整合性を利用して分割学習の堅牢性を向上させるサーバサイドディフェンスであるProtoGuard-SLを提案する。 筆者らのアプローチは,同じクラス内の良性埋め込みが安定なセマンティックアライメントを示すのに対して,有毒な埋め込みは必然的にこの構造を阻害する,という観察によって動機づけられた。
  論文  参考訳（メタデータ） (2026-04-04T05:24:09Z)
• TraceGuard: Process-Guided Firewall against Reasoning Backdoors in Large Language Models [19.148124494194317]
  我々は,小規模モデルを堅牢な推論ファイアウォールに変換するプロセス誘導型セキュリティフレームワークであるTraceGuardを提案する。 提案手法は,推理トレースを信頼できないペイロードとして扱い,詳細な防衛戦略を確立する。 グレーボックス設定における適応的敵に対する堅牢性を実証し、TraceGuardを実用的で低レイテンシなセキュリティプリミティブとして確立する。
  論文  参考訳（メタデータ） (2026-03-02T22:19:13Z)
• From Internal Diagnosis to External Auditing: A VLM-Driven Paradigm for Online Test-Time Backdoor Defense [6.783000267839024]
  PRISMは最先端の性能を達成し、CIFAR-10でのアタック成功率を1%に抑えつつ、クリーンな精度を改善し、モデルに依存しない外部セキュリティの新しい標準を確立した。
  論文  参考訳（メタデータ） (2026-01-27T10:34:06Z)
• MISLEADER: Defending against Model Extraction with Ensembles of Distilled Models [56.09354775405601]
  モデル抽出攻撃は、クエリアクセスを通じてブラックボックスモデルの機能を複製することを目的としている。 既存のディフェンスでは、アタッカークエリにはオフ・オブ・ディストリビューション(OOD)サンプルがあることを前提としており、不審な入力を検出し破壊することができる。 OOD仮定に依存しない新しい防衛戦略であるMISLEADERを提案する。
  論文  参考訳（メタデータ） (2025-06-03T01:37:09Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Evaluating the Adversarial Robustness of Detection Transformers [4.3012765978447565]
  物体検出変換器(DETR)の進歩にもかかわらず、敵の攻撃に対する堅牢性は未解明のままである。 本稿では,White-box と Black-box の両攻撃下での DETR モデルとその変種を包括的に評価する。 解析の結果, DETR 変種間のネットワーク内転送性は高いが, CNN モデルに対するネットワーク間転送性は限定的であることがわかった。
  論文  参考訳（メタデータ） (2024-12-25T00:31:10Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Improving Adversarial Robustness to Sensitivity and Invariance Attacks with Deep Metric Learning [80.21709045433096]
  対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。 距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。 予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
  論文  参考訳（メタデータ） (2022-11-04T13:54:02Z)
• On Trace of PGD-Like Adversarial Attacks [77.75152218980605]
  敵対的攻撃は、ディープラーニングアプリケーションに対する安全性とセキュリティ上の懸念を引き起こす。 モデルの勾配一貫性を反映した適応応答特性(ARC)特性を構築する。 私たちの方法は直感的で、軽量で、非侵襲的で、データ不要です。
  論文  参考訳（メタデータ） (2022-05-19T14:26:50Z)
• 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。