論文の概要: MTD-Playground: An Attacker-Aware Evaluation Framework for Network Moving Target Defense

• arxiv url: http://arxiv.org/abs/2607.12199v1
• Date: Mon, 13 Jul 2026 23:03:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.977596
• Title: MTD-Playground: An Attacker-Aware Evaluation Framework for Network Moving Target Defense
• Title（参考訳）: MTD-Playground:ネットワーク移動目標防衛のための攻撃者対応評価フレームワーク
• Authors: Mohammad Farhad, Mohoshin Ara Tahera, Padam Jung Thapa, Shuvalaxmi Dass, Bhupendra Acharya,
• Abstract要約: 移動目標防衛(MTD)は、積極的なネットワークサイバー防衛パラダイムとして登場した。 本稿では,パスランダム化(PR) MTD 手法をベンチマークする攻撃者対応評価フレームワーク MTD-Playground を提案する。
• 参考スコア（独自算出の注目度）: 1.4843147079139707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moving Target Defense (MTD) has emerged as a proactive network cyber defense paradigm that increases attacker uncertainty through dynamic network reconfiguration techniques such as Software-Defined Networking (SDN)-enabled path randomization. However, existing evaluations remain fragmented due to inconsistent attacker assumptions, attack scenarios, and evaluation metrics, limiting reproducibility and deployment-oriented comparison. In this paper, we present MTD-Playground, an attacker-aware evaluation framework for benchmarking SDN-enabled path-randomization (PR) MTD techniques under realistic enterprise-style multi-stage attack scenarios. Beyond isolated security and performance metrics, MTD-Playground introduces a composite evaluation methodology for analyzing deployment effectiveness, mutation-interval trade-offs, and defender-attacker operational balance. Using periodic path randomization as a representative PR-MTD strategy, our evaluation shows that aggressive mutation intervals reduce attack success rates to 4-20% while increasing attack completion time to 160-311s across evaluated attack scenarios. At the same time, PR-MTD improves throughput by up to 30.9% and reduces internal-path latency without service interruption. Composite analysis further shows that shorter mutation intervals consistently achieve the highest deployment effectiveness and positive defender advantage. These results demonstrate that SDN-based PR-MTD can substantially disrupt multi-stage attack progression while remaining practically deployable in enterprise environments.
• Abstract（参考訳）: 移動ターゲットディフェンス(MTD)は、SDN(Software-Defined Networking)のような動的ネットワーク再構成技術によって攻撃者の不確実性を高めるプロアクティブネットワークサイバーディフェンスパラダイムとして登場した。 しかしながら、既存の評価は、一貫性のないアタッカーの仮定、アタックシナリオ、評価メトリクスによって断片化され、再現性やデプロイメント指向の比較が制限されている。 本稿では,MSDN対応パスランダム化(PR)MTD手法を,現実的なエンタープライズスタイルのマルチステージアタックシナリオ下でベンチマークするためのアタッカー対応評価フレームワークMTD-Playgroundを提案する。 MTD-Playgroundは、独立したセキュリティとパフォーマンスのメトリクス以外にも、デプロイメントの有効性、突然変異-インターバルトレードオフ、ディフェンダー-アタックアーの運用バランスを分析するための複合評価手法を導入している。 PR-MTD戦略として周期的経路ランダム化を用いると,アグレッシブな突然変異間隔は攻撃成功率を4～20%に低下させ,攻撃完了時間を160～311秒に向上させる。 同時に、PR-MTDはスループットを最大30.9%改善し、サービスを中断することなく内部パスレイテンシを低減する。 複合分析により、短い突然変異間隔は、高い展開効率とポジティブディフェンダーの利点を一貫して達成することが示された。 これらの結果から,SDN ベースのPR-MTD は,エンタープライズ環境に実際にデプロイ可能でありながら,マルチステージ攻撃の進行を著しく阻害する可能性が示唆された。

関連論文リスト

• WMAttack: Automated Attack Search for Adversarial Evaluation of World-Model Agents [53.84430233754606]
  WMAttackは、世界モデルエージェントの敵意評価のための自動攻撃探索フレームワークである。 WMAttackは攻撃構成に対する有限予算探索としてロバストネス評価を定式化する。 WMAttackは評価ベースラインよりも強力な攻撃を継続的に発見することを示す。
  論文  参考訳（メタデータ） (2026-05-22T04:31:09Z)
• DeepStage: Learning Autonomous Defense Policies Against Multi-Stage APT Campaigns [0.0]
  本稿では,Advanced Threats(APTs)に対する適応的段階認識防御のためのフレームワークであるDeepStageについて述べる。 エンタープライズ環境は部分的に観測可能なマルコフ決定プロセス(POMDP)としてモデル化され、ホストの証明とネットワークテレメトリは統合された証明グラフに融合される。 DeepStageはステージ重み付きF1スコアの0.89を達成し、リスクを意識したDRLベースラインを21.9%上回った。
  論文  参考訳（メタデータ） (2026-03-17T09:46:11Z)
• Embodied Active Defense: Leveraging Recurrent Feedback to Counter Adversarial Patches [37.317604316147985]
  敵のパッチに対するディープニューラルネットワークの脆弱性は、モデルロバスト性を高めるための多くの防衛戦略を動機付けている。 本研究では,環境情報を積極的に文脈化して,現実の3次元環境における不整合に対処するEmbodied Active Defense (EAD) を開発した。
  論文  参考訳（メタデータ） (2024-03-31T03:02:35Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• RobustPdM: Designing Robust Predictive Maintenance against Adversarial Attacks [0.0]
  対人攻撃はRUL予測の深刻な欠陥(最大11倍)を引き起こす可能性を示し、3Xによる最先端のPdM攻撃の有効性を上回った。 また,敵攻撃を防御する新たな対人訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-25T20:49:12Z)
• Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
  モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。 本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。 本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-13T13:54:24Z)
• Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
  自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。 本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
  論文  参考訳（メタデータ） (2021-08-13T11:49:09Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)
• Adversarial Distributional Training for Robust Deep Learning [53.300984501078126]
  逆行訓練(AT)は、逆行例によるトレーニングデータを増やすことにより、モデルロバスト性を改善する最も効果的な手法の一つである。 既存のAT手法の多くは、敵の例を作らせるために特定の攻撃を採用しており、他の目に見えない攻撃に対する信頼性の低い堅牢性につながっている。 本稿では,ロバストモデル学習のための新しいフレームワークであるADTを紹介する。
  論文  参考訳（メタデータ） (2020-02-14T12:36:59Z)

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。