論文の概要: Understanding the Stealthy BGP Hijacking Risk in the ROV Era

• arxiv url: http://arxiv.org/abs/2606.23071v1
• Date: Mon, 22 Jun 2026 09:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 00:21:30.538605
• Title: Understanding the Stealthy BGP Hijacking Risk in the ROV Era
• Title（参考訳）: ROV時代のステルス性BGPハイジャックリスクの理解
• Authors: Yihao Chen, Qi Li, Ke Xu, Zhuotao Liu, Jianping Wu,
• Abstract要約: ステルスなBGPハイジャックは 悪意のあるルートが 被害者に届かずに トラフィックを分散させる セキュリティ上の脅威だ 野生におけるステルス性BGPハイジャックの追跡とプロファイルのための最初の実証的研究を行った。 我々はステルス性BGPハイジャックリスクを評価するためのBGP経路推定フレームワークであるSHAMANを開発した。
• 参考スコア（独自算出の注目度）: 37.691252961214786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The partial deployment of Route Origin Validation (ROV) poses an unexpected security threat known as stealthy BGP hijacking, i.e., a particularly elusive form of BGP hijacking where malicious routes divert traffic without reaching (and thus alerting) the victims. This risk remains largely unexplored, with neither documented real-world incidents nor systematic characterization available. To bridge this gap, we formalize stealthy BGP hijacking and propose heuristics to discover potential instances through routing table discrepancies. We conduct the first empirical study to track and profile stealthy BGP hijacking in the wild, contributing a curated real-world incident dataset and a long-term monitoring service. Inspired by the empirical insights, we further conduct an analytical study to exhaustively assess the risk. This requires accurate ROV deployment data, complete Internet-wide routes, and tailored analytical models. To address these challenges, we develop SHAMAN, a BGP route inference framework dedicated to assessing stealthy BGP hijacking risk. SHAMAN consolidates multiple sources to construct an accurate view of ROV deployment, infers complete Internet-wide routes through a highly efficient matrix-based approach, and facilitates statistical risk analysis via a "victim-target-hijacker" 3-tuple model. By reducing the time for generating Internet-scale routes from over three months to just 5.22 hours, SHAMAN enables systematic risk assessment across 8.3 billion generated routes under real-world ROV deployment. Our findings reveal a 14.1% overall success probability for stealthy BGP hijacking, with targeted attacks reaching 99.5% success in specific cases. Validation against our real-world dataset shows up to 95.9% incident-level accuracy, demonstrating the fidelity of our analytical results.
• Abstract（参考訳）: ルートオリジン・バリデーション(ROV)の一部の展開は、ステルスなBGPハイジャックとして知られる予期せぬセキュリティの脅威、すなわち、悪意のあるルートが被害者に届かずにトラフィックを分散させる、特に妄想的なBGPハイジャックである。 このリスクはほとんど調査されていないが、実際の出来事や体系的な特徴を文書化していない。 このギャップを埋めるために、我々はステルスなBGPハイジャックを形式化し、ルーティングテーブルの相違により潜在的なインスタンスを発見するヒューリスティックスを提案する。 我々は、野生のステルス性のあるBGPハイジャックを追跡およびプロファイルするための最初の実証的研究を行い、実世界のインシデントデータセットと長期監視サービスに貢献しました。 経験的洞察にインスパイアされた我々は、リスクを徹底的に評価するための分析的研究をさらに進める。 これは正確なROVデプロイメントデータ、完全なインターネット全体のルート、そして調整された分析モデルを必要とする。 これらの課題に対処するために、ステルスなBGPハイジャックリスクを評価するためのBGPルート推論フレームワークであるSHAMANを開発した。 SHAMANは複数のソースを統合して、ROVデプロイメントの正確なビューを構築し、高度に効率的な行列ベースのアプローチを通じて完全なインターネット全体のルートを推論し、"victim-target-hijacker"3タプルモデルによる統計的リスク分析を容易にする。 インターネット規模のルートを3ヶ月以上からわずか5.22時間に短縮することで、SHAMANは現実世界のROVデプロイメントの下で830億の生成されたルートに対して、体系的なリスク評価を可能にする。 以上の結果から,ステルス性BGPハイジャックの総成功確率は14.1%であり,特定の症例では99.5%であった。 実世界のデータセットに対する検証は、最大95.9%のインシデントレベルの精度を示し、分析結果の忠実さを示しています。

関連論文リスト

• ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis [96.92417622318267]
  ATBenchは、エージェント安全性の構造化、多様性、現実的な評価のための軌道レベルのベンチマークである。 リスクソース、障害モード、現実世界の危害の3つの側面に沿ってエージェント的リスクを編成する。 1000個の軌道(安全503個、安全497個)があり、平均9.01ターンと3.95kトークンがあり、2,084個のツールにまたがるプールから1,954個のツールが呼び出されている。
  論文  参考訳（メタデータ） (2026-04-02T13:26:20Z)
• Mitigating Backdoor Attacks in Federated Learning Using PPA and MiniMax Game Theory [8.751986657630018]
  悪意のあるクライアントは、ローカルモデルにバックドアデータを注入することで、グローバルモデルに積極的に害を与えようとする。 我々は,このような不適切な行動を軽減するために,FedBBA(Federated Backdoor and Behavior Analysis)を提案する。 各種攻撃シナリオにおいて,FedBBAはバックドア攻撃の成功率を約1.1%～11%に下げることを示した。
  論文  参考訳（メタデータ） (2026-03-30T16:39:02Z)
• Beta Distribution Learning for Reliable Roadway Crash Risk Assessment [21.371420424228077]
  道路交通事故は世界的な健康危機であり、毎年100万人以上が死亡し、多くの国がGDPの最大3%を犠牲にしている。 伝統的な交通安全研究は、しばしば、構築された環境に固有の空間的複雑さと文脈的相互作用を見越して、孤立中のリスク要因を調べる。 本稿では,衛星画像を包括的空間入力として活用する新しいディープラーニングフレームワークを提案する。 このアプローチにより, 致命的な事故リスクに寄与する環境リスク要因や環境パターンを把握できる。
  論文  参考訳（メタデータ） (2025-11-07T00:08:55Z)
• Jailbreak Mimicry: Automated Discovery of Narrative-Based Jailbreaks for Large Language Models [0.0]
  大規模言語モデル(LLM)は、高度な迅速なエンジニアリング攻撃に対して脆弱なままである。 我々は、物語ベースのジェイルブレイクプロンプトを自動生成するために、コンパクトアタッカーモデルを訓練するための体系的方法論であるジェイルブレイク・ミミミリを紹介する。 我々のアプローチは、敵の迅速な発見を手作業の職人技から再現可能な科学的プロセスに変換する。
  論文  参考訳（メタデータ） (2025-10-24T23:53:16Z)
• Is Crunching Public Data the Right Approach to Detect BGP Hijacks? [46.60173408970299]
  ボーダーゲートウェイプロトコル(BGP)は、インターネットルーティングの脆弱な柱であり続けている。 DFOHやBEAMといった最近のアプローチでは、グローバルに分散したBGPモニターからのデータ分析に機械学習(ML)を採用している。 本稿では、DFOHやBEAMのような最先端のハイジャック検出システムは、データ中毒に対して脆弱であることを示す。
  論文  参考訳（メタデータ） (2025-07-27T22:35:21Z)
• WebGuard: Building a Generalizable Guardrail for Web Agents [59.31116061613742]
  WebGuardは、Webエージェントアクションリスクの評価をサポートするために設計された最初のデータセットである。 その中には、22のドメインにわたる193のWebサイトからの4,939の人手によるアノテートアクションが含まれている。
  論文  参考訳（メタデータ） (2025-07-18T18:06:27Z)
• Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
  半正直な設定で一貫したバックドア検出フレームワークを提案する。 本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。 特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-03-21T06:12:06Z)
• CyberLLMInstruct: A Pseudo-malicious Dataset Revealing Safety-performance Trade-offs in Cyber Security LLM Fine-tuning [2.549390156222399]
  大規模言語モデルのサイバーセキュリティアプリケーションへの統合は、機会と重要な安全リスクの両方を示します。 我々はサイバーセキュリティタスクにまたがる54,928の擬似重複命令応答ペアのデータセットであるCyberLLMInstructを紹介した。
  論文  参考訳（メタデータ） (2025-03-12T12:29:27Z)
• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)

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。