論文の概要: DCBA: Detection of Collaborative Black-Hole Attacks in Connected Dominated Set using Baiting Process

• arxiv url: http://arxiv.org/abs/2608.12347v1
• Date: Sat, 13 Jun 2026 16:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.184713
• Title: DCBA: Detection of Collaborative Black-Hole Attacks in Connected Dominated Set using Baiting Process
• Title（参考訳）: DCBA:待ち行列を用いた連結支配集合における協調的ブラックホール攻撃の検出
• Abstract要約: 移動アドホックネットワーク(英語: Mobile Ad-hoc Network、MANET)は、ノードが自然に移動し、ネットワーク領域にランダムに分散する、一時的で動的なネットワークトポロジーである。 ブラックホール攻撃はネットワーク全体の性能を低下させる最も一般的な攻撃であると考えられている。 本稿では,既存のAODVルーティングプロトコルを拡張して,協調的ブラックホール攻撃(LW-CBH)の検出と分離を行う軽量手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Mobile Ad-hoc Network (MANET) is temporary and dynamic network topology, wherein nodes are mobile in nature and distributed randomly in a network area. In MANET, nodes cooperate with each other to operate and forward data through multihop communication between source and destination. MANET is exposed to different types of attacks due to absence of central administration. However, some nodes decline to cooperate, misbehaves and appears to be malicious affecting network functionality and connectivity. Providing security and identifying malicious node has become one of the challenging research topics in MANET. Black-hole attack is considered to be most popular attack that degrades the overall network performance. Black-hole node falsely advertises the shortest path to destination intentionally to disrupt the network communication resulting in packet drop. In collaborative black-hole attacks, multiple black-hole nodes cooperate and launch attacks in order to degrade network reliability. In this article we propose a Lightweight technique to detect and isolate Collaborative Black-Hole attacks (LW-CBH) by enhancing existing AODV routing protocol. In this scheme a timer based baiting process and reverse tracing setup is used to detect malicious node through control status message in MAC layer which are Reply Sequence (R-SEQ) and Code Sequence (C-SEQ) message of connected dominated set of nodes. However existing AODV routing protocol fails to detect malicious node during dynamic topology changing in MANET. Simulation of proposed technique is performed using discrete event simulator tool NS-2.35. The simulation results are evaluated for throughput, packet delivery ratio, average end-to-end delay and normalized routing overhead.
• Abstract（参考訳）: 移動アドホックネットワーク(英語: Mobile Ad-hoc Network、MANET)は、ノードが自然に移動し、ネットワーク領域にランダムに分散する、一時的で動的なネットワークトポロジーである。 MANETでは、ノードは互いに協力し、ソースと宛先の間のマルチホップ通信を通じてデータを転送する。 MANETは中央管理が欠如しているため、さまざまなタイプの攻撃にさらされている。 しかし、一部のノードは協力を断り、誤った振る舞いをしており、ネットワーク機能や接続に悪影響を及ぼしているように見える。 セキュリティの提供と悪意のあるノードの特定は、MANETで難しい研究トピックの1つになっている。 ブラックホール攻撃はネットワーク全体の性能を低下させる最も一般的な攻撃であると考えられている。 ブラックホールノードは、パケットドロップに繋がるネットワーク通信を妨害するために、意図的に目的地への最短経路を誤って宣伝する。 協調的なブラックホール攻撃では、ネットワーク信頼性を低下させるために複数のブラックホールノードが協力して攻撃を開始する。 本稿では,既存のAODVルーティングプロトコルを強化して,協調的ブラックホール攻撃(LW-CBH)の検出と分離を行う軽量手法を提案する。 このスキームでは、タイマーベースのバイティングプロセスとリバース・トレーシング・セットアップを用いて、接続された支配ノード集合のReply Sequence(R-SEQ)およびCode Sequence(C-SEQ)メッセージであるMAC層の制御ステータスメッセージを介して悪意のあるノードを検出する。 しかし、既存のAODVルーティングプロトコルは、MANETで動的トポロジが変化する間、悪意のあるノードを検出することができない。 離散イベントシミュレータツールNS-2.35を用いて,提案手法のシミュレーションを行う。 シミュレーション結果は、スループット、パケット配信率、平均エンドツーエンド遅延、正規化されたルーティングオーバーヘッドに対して評価される。

関連論文リスト

• Rethinking Software-Defined Networking Link Discovery with Dynamic Randomization [15.240477630402586]
  重要な洞察は、SDNコントローラが発見パケットに意味のある情報を埋め込むことなくトポロジを推論できるということである。 本稿では,トポロジ的攻撃を同時に防止・検出する動的リンク発見プロトコルChameleonDiscを提案する。 252リンクトポロジーでは、正当性のあるリンク変更は1.37-4.53、悪意のあるリレー検出は4.06である。
  論文  参考訳（メタデータ） (2026-09-13T21:34:50Z)
• Target-Aware Interaction-Guided Reinforcement Learning for Black-Box Node Injection Attacks on Graph Neural Networks [5.183200614613901]
  ブラックボックスノードインジェクション攻撃はグラフニューラルネットワーク(GNN)にとって大きな脅威である 本研究では,GNNにおけるブラックボックスノードインジェクション攻撃に対するターゲット認識型対話誘導型強化学習を提案する。
  論文  参考訳（メタデータ） (2026-07-05T03:07:07Z)
• Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
  本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。 機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。 ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T18:44:56Z)
• Attack-in-the-Chain: Bootstrapping Large Language Models for Attacks Against Black-box Neural Ranking Models [111.58315434849047]
  本稿では,アタック・イン・ザ・チェーン(Attack-in-the-Chain)という新しいランキングアタックフレームワークを紹介する。 大型言語モデル(LLMs)とニューラルランキングモデル(NRMs)の相互作用をチェーン・オブ・ソートに基づいて追跡する。 2つのWeb検索ベンチマークによる実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-12-25T04:03:09Z)
• Grimm: A Plug-and-Play Perturbation Rectifier for Graph Neural Networks Defending against Poisoning Attacks [53.972077392749185]
  近年の研究では、ノード分類タスクに対する敵対的中毒攻撃に対するグラフニューラルネットワーク(GNN)の脆弱性が明らかにされている。 ここでは、最初のプラグアンドプレイディフェンスモデルであるGrimmを紹介します。
  論文  参考訳（メタデータ） (2024-12-11T17:17:02Z)
• Manipulating OpenFlow Link Discovery Packet Forwarding for Topology Poisoning [7.162877379128359]
  トポロジ情報を変更するために OpenFlow リンクフォワードを操作する新しいトポロジ中毒技術である Marionette を紹介する。 我々のアプローチは見過ごされているが、広範囲にわたる攻撃ベクトルを露呈する。 Marionetteは5つのオープンソースコントローラと9つのOpenFlowベースのディスカバリプロトコルをうまく攻撃する。
  論文  参考訳（メタデータ） (2024-08-29T23:30:36Z)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• Associated Random Neural Networks for Collective Classification of Nodes in Botnet Attacks [1.517849300165222]
  ボットネット攻撃はネットワーク化されたシステムにとって大きな脅威である。 本研究は,nノードIPネットワークからのトラフィックを動作させる集合Botnet攻撃分類手法を導入し,不正なノードを識別する新しいAssociated Random Neural Network(ARNN)を提案する。
  論文  参考訳（メタデータ） (2023-03-23T19:32:31Z)
• LGTBIDS: Layer-wise Graph Theory Based Intrusion Detection System in Beyond 5G [9.63617966257402]
  侵入検知は、通信ネットワークのセキュリティを確保するための中心的なアプローチを示す。 The Layerwise Graph Theory-Based Intrusion Detection System (LGTBIDS) algorithm is designed to detect the attacked node。 結果は、より良いパフォーマンス、低い時間計算、低い複雑さを検証します。
  論文  参考訳（メタデータ） (2022-10-06T05:32:03Z)
• Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network [62.77129284830945]
  本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。 我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-01-28T16:18:19Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。