論文の概要: RogueRover: Autonomous Rogue Device Localization for Incident Response
- arxiv url: http://arxiv.org/abs/2606.21264v1
- Date: Fri, 19 Jun 2026 09:40:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 06:54:32.043147
- Title: RogueRover: Autonomous Rogue Device Localization for Incident Response
- Title（参考訳）: RogueRover: インシデント対応のための自動ローグデバイスローカライゼーション
- Authors: Priyanka Prakash Surve, Asaf Shabtai, Yuval Elovici,
- Abstract要約: RogueRoverは、四足歩行ロボットが自律的にパトロールするエンドツーエンドシステムである。
ローグローバーは、RFの事前の知識を使わずに1.62mの中央値の単磁極位置推定誤差を達成している。
- 参考スコア（独自算出の注目度）: 25.852577434268273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physically localizing unauthorized wireless devices remains a critical bottleneck in cyber-physical security operations, where rogue access points can provide entry points for lateral movement and persistent compromise. While such devices can often be detected through network-side mechanisms, determining their physical location typically requires dense sensing infrastructure, site-specific RF fingerprinting, or manual inspection, limiting timely incident response. We investigate whether a single commodity robot can autonomously detect and localize rogue wireless devices under zero-configuration constraints, without RF fingerprinting, pre-installed sensors, or site calibration. We present RogueRover, an end-to-end system in which a quadruped robot autonomously patrols, collects spatially labeled RSSI measurements via a standard 802.11 interface, and estimates device locations offline. We evaluate the system across 11 patrol runs in a real indoor environment, with 6 rogue devices deployed under heterogeneous propagation conditions. Across 62 AP-patrol sessions, RogueRover achieves a median single-patrol localization error of 1.62 m without prior RF knowledge. Under multi-run aggregation, five of six devices are localized within 1 m. A blind trial validates the full pipeline, correctly identifying rogue devices among 73 observed BSSIDs and localizing them with errors of 0.34 m and 1.84 m. Across environments, simple weighted-centroid estimators perform comparably to, or better than, parametric path-loss models, indicating that measurement coverage from autonomous patrols is the primary determinant of localization accuracy under zero-prior constraints. Our results demonstrate that infrastructure-free, autonomous localization is feasible in practice, enabling rapid physical incident response in cyber-physical environments without additional sensing infrastructure.
- Abstract（参考訳）: 物理的ローカライズされた無線デバイスは、サイバー物理セキュリティオペレーションにおいて重要なボトルネックであり、ログアクセスポイントは、横移動と永続的な妥協のためのエントリポイントを提供する。
このようなデバイスはネットワーク側のメカニズムによって検出されることが多いが、物理的な位置を決定するには、通常、密度の高いセンサーインフラストラクチャ、サイト固有のRFフィンガープリント、手動検査、タイムリーなインシデント応答を制限する必要がある。
RFフィンガープリンティング,プリインストールセンサ,サイトキャリブレーションを使わずに,ログ無線デバイスを非構成制約で自律的に検出し,ローグ無線デバイスをローカライズできるかどうかを検討する。
我々は、四足歩行ロボットが自律的にパトロールするエンドツーエンドシステムであるRogueRoverを紹介し、標準802.11インタフェースを介して空間ラベル付きRSSI測定値を収集し、デバイス位置をオフラインで推定する。
室内環境下での11回のパトロール走行におけるシステム評価を行い, 異種伝播条件下で6台のローグ装置を配置した。
62回のAP-patrolセッションを通して、RogueRoverはRF知識なしで1.62mの中央値の単一パトロル局所化誤差を達成している。
マルチランアグリゲーションでは、6つのデバイスのうち5つが1m以内でローカライズされる。
盲検試験では、73個の観測されたBSSIDのうち、ローグ装置を正しく識別し、0.34mと1.84mの誤差で位置決めする完全なパイプラインを検証した。
環境全体にわたって、単純な重み付きセントロイド推定器は、パラメトリックパスロスモデルに比較して、あるいはそれ以上の性能を発揮し、自律的なパトロールによる計測が、ゼロプライア制約下での局所化精度の主要な決定要因であることを示している。
以上の結果から,インフラレスで自律的なローカライゼーションが実現可能であり,センサインフラを付加することなく,サイバー物理環境における素早い物理的インシデント応答が可能であることが示唆された。
関連論文リスト
- AI-Native Closed-Loop Security for 6G-Enabled Cyber-Physical Systems: From Edge Detection to Network-Wide Mitigation [13.344675738769395]
サイバー物理システムは6Gネットワークで超信頼性の低い低遅延スライスで動作します。
この調査では、6G CPSセキュリティをクローズドループ、AIネイティブパイプラインとして再設定する。
我々は、スライス毎のテールバウンドなレイテンシ契約を、その意味に基づいて定式化し、検出し、緩和する。
論文 参考訳（メタデータ） (2026-06-06T13:36:59Z) - Characterizing AI-Assisted Bot Traffic in Darknet Data: Implications for ICS and IIoT Security [0.0]
自動スキャンツールとAI支援偵察エージェントの台頭は、インターネットの背景トラフィックパターンを大きく変えた。
本稿では,2021年から2025年にかけての1億9200万個の受動ダークネットパケットの時系列データセットをMerit ORION Network Telescopeから解析することにより,自動ボットトラフィックの進化を特徴付ける。
論文 参考訳（メタデータ） (2026-05-14T00:07:20Z) - Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - Machine Learning-Based Localization Accuracy of RFID Sensor Networks via RSSI Decision Trees and CAD Modeling for Defense Applications [0.0]
この研究は、位置推定を行うために12のラボゾーン(LabZoneA-L)を分類することに焦点を当てている。
このモデルは成層化したサブサンプルから5,000のバランスの取れた観測値に訓練され、総合的な精度は34.2%となり、F1スコアは複数のゾーンで0.40以上となった。
これらの結果は、RSSIに基づく決定木を現実的なシミュレーションに適用し、ゾーンレベルの異常検出を可能にすることを示唆している。
論文 参考訳（メタデータ） (2025-10-22T20:40:50Z) - Towards Reliable AI in 6G: Detecting Concept Drift in Wireless Network [5.553439910778821]
モデルに依存しない2つの非教師付きバッチドリフト検出器を導入する。
どちらの手法も予測ユーティリティスコアを計算し、コンセプトドリフトの発生時期とモデル再トレーニングが保証されるかどうかを決定する。
我々は,屋外指紋認証とリンク・アノマリー検出の2つの実世界の無線利用事例について,本フレームワークの有効性を検証した。
論文 参考訳（メタデータ） (2025-07-31T12:31:57Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Sec5GLoc: Securing 5G Indoor Localization via Adversary-Resilient Deep Learning Architecture [0.0]
5Gミリ波とサブ6GHzのネットワークは、高精度な屋内ローカライゼーションを実現するが、セキュリティとプライバシの脆弱性は深刻な問題を引き起こす。
我々は、偽の無線信号やパーターブチャネル測定を注入する攻撃者を包含する脅威モデルを定式化し、ローカライゼーションシステムを誤解させる。
本稿では,ディープラーニングフィンガープリントと物理ドメイン知識を組み合わせた対向レジリエントなローカライゼーションアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-05-23T11:46:11Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。