論文の概要: Enhancing Attack Detection Capabilities in BACnet/IP Networks Using Machine-Learning Models

• arxiv url: http://arxiv.org/abs/2607.20686v1
• Date: Wed, 22 Jul 2026 19:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.208502
• Title: Enhancing Attack Detection Capabilities in BACnet/IP Networks Using Machine-Learning Models
• Title（参考訳）: 機械学習モデルを用いたBACnet/IPネットワークにおける攻撃検出機能の向上
• Abstract要約: ビルド自動化システム(BAS)はBACnet/IPなどのプロトコルを使って重要なビル機能を管理する。 BASディフェンダーはBACnet固有の攻撃を検出するための限定的なツールとラベル付きデータセットを持っている。 シングルクラスのSVMは全攻撃でF1スコアが0.864で、全体的なパフォーマンスが最も高かった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building Automation Systems (BAS) manage critical building functions using protocols such as BACnet/IP, yet defenders have limited tooling and few labeled datasets for detecting BACnet-specific attacks. This work addresses these gaps through three contributions. First, CISA's Zeek BACnet parser is modified to produce a unified per-packet log, simplifying feature engineering for machine-learning (ML) pipelines. Second, a simulated BACnet/IP testbed is developed using bacpypes3 to model a small commercial HVAC system with physics-based device behavior, schedule-aware controller logic, and per-packet attack labeling. Third, five unsupervised anomaly detection models are evaluated using baseline traffic and six BACnet attack types, including denial of service, reconnaissance, property tampering, and false data injection. Results show that One-Class SVM achieved the strongest overall performance, with an average F1 score of 0.864 across all attacks and F1 scores above 0.99 for high-volume denial-of-service and reconnaissance attacks. Detection is much stronger for high-volume attacks, such as DoS attacks and reconnaissance, than stealthier techniques such as tampering and false data injection, which scored around 77%.
• Abstract（参考訳）: BAS(Building Automation Systems)はBACnet/IPなどのプロトコルを使用して重要なビルディング機能を管理するが、ディフェンダーはBACnet固有の攻撃を検出するための限られたツールとラベル付きデータセットしか持っていない。 この研究は3つの貢献を通じてこれらのギャップに対処する。 まず、CISAのZeek BACnetパーサは、統一されたパッケージ単位のログを生成するように変更され、機械学習(ML)パイプラインの機能エンジニアリングが簡素化される。 第2に、シミュレーションされたBACnet/IPテストベッドをbacpypes3を用いて開発し、物理ベースのデバイス動作、スケジュール対応コントローラロジック、パッケージごとの攻撃ラベリングを備えた小さな商用HVACシステムをモデル化する。 第3に、ベースライントラフィックと6種類のBACnet攻撃タイプを用いて、5つの教師なし異常検出モデルを評価し、サービス拒否、偵察、プロパティの改ざん、偽データ注入を含む。 その結果,One-Class SVMは全攻撃の平均F1スコアが0.864であり,F1スコアが0.99以上であり,サービス拒否攻撃と偵察攻撃が最多であった。 検出はDoS攻撃や偵察のような高ボリューム攻撃に対して、約77%の偽データ注入などのステルステクニックよりもはるかに強い。

関連論文リスト

• Cyberattack Detection in Virtualized Microgrids Using LightGBM and Knowledge-Distilled Classifiers [0.0]
  完全な仮想マイクログリッドはMG/Simulinkで設計、実装された。 MGLibを用いて、二次制御経路に敵の信号を注入する構造化サイバーアタックフレームワークを開発した。 その結果、軽量な機械学習による侵入検知手法は、高速で正確で効率的なサイバー攻撃検出を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-01-07T01:23:13Z)
• Every Character Counts: From Vulnerability to Defense in Phishing Detection [22.101976874889147]
  組織と個人の両方をターゲットにしたフィッシング攻撃は、ますます重大な脅威になりつつある。 現在の自動検出法は、しばしば新しいフィッシング攻撃を検出するための説明性や堅牢性を欠いている。 本研究では,フィッシング検出における文字レベル深層学習モデルの有効性について検討する。
  論文  参考訳（メタデータ） (2025-09-24T22:03:30Z)
• Large Language Model-Based Framework for Explainable Cyberattack Detection in Automatic Generation Control Systems [5.99333254967625]
  本稿では,機械学習(ML)と自然言語説明(LLM)を統合し,サイバー攻撃を検出するハイブリッドフレームワークを提案する。 提案するフレームワークは,解釈可能な高忠実な説明によるリアルタイム検出を効果的に実現し,スマートグリッドサイバーセキュリティにおける実行可能なAIの重要要件に対処する。
  論文  参考訳（メタデータ） (2025-07-29T21:23:08Z)
• Poison Once, Control Anywhere: Clean-Text Visual Backdoors in VLM-based Mobile Agents [54.35629963816521]
  この研究は、VLMベースのモバイルエージェントをターゲットにした最初のクリーンテキストバックドアアタックであるVIBMAを紹介する。 この攻撃は、視覚的な入力だけを変更することによって、悪意ある振る舞いをモデルに注入する。 クリーンタスクの動作を保ちながら高い成功率を達成できることを示す。
  論文  参考訳（メタデータ） (2025-06-16T08:09:32Z)
• 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)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• Host-Based Network Intrusion Detection via Feature Flattening and Two-stage Collaborative Classifier [6.04077629908308]
  NIDSとHIDSを組み合わせたハイブリッドネットワーク侵入検知システムを提案する。 ネットワーク侵入を識別するために、2段階のMLアルゴリズムをデプロイする2段階の協調分類器が導入された。 提案手法は、CICIDS 2018とNDSec-1という、よく知られた2つのデータセットにまたがって一般化される。
  論文  参考訳（メタデータ） (2023-06-15T19:09:00Z)
• Can Adversarial Examples Be Parsed to Reveal Victim Model Information? [62.814751479749695]
  本研究では,データ固有の敵インスタンスから,データに依存しない被害者モデル(VM)情報を推測できるかどうかを問う。 我々は,135件の被害者モデルから生成された7種類の攻撃に対して,敵攻撃のデータセットを収集する。 単純な教師付きモデル解析ネットワーク(MPN)は、見えない敵攻撃からVM属性を推測できることを示す。
  論文  参考訳（メタデータ） (2023-03-13T21:21:49Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• SOME/IP Intrusion Detection using Deep Learning-based Sequential Models in Automotive Ethernet Networks [2.3204135551124407]
  侵入検知システムはサイバー攻撃を検出するために広く利用されている。 本稿では,SOME/IPプロトコル上でのオフライン侵入検出のための深層学習に基づくシーケンシャルモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-04T09:58:06Z)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)

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。