論文の概要: Deep Learning Latency Attacks and Defenses: A Cross-Domain Survey of Availability Threats

• arxiv url: http://arxiv.org/abs/2609.36732v1
• Date: Tue, 29 Sep 2026 05:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.200061
• Title: Deep Learning Latency Attacks and Defenses: A Cross-Domain Survey of Availability Threats
• Title（参考訳）: ディープラーニングのレイテンシ攻撃と防御 - 可用性の脅威に関するクロスドメイン調査
• Abstract要約: この調査は、知覚パイプラインにまたがる断片化された文献を統一する(自動運転車の検知と追跡に対する物理的な攻撃を含む)。 我々は定式化よりも計算ボトルネックを利用した攻撃を組織化する。 多くの攻撃は、中間的な作業増幅という1つのメカニズムを共有しており、作業予算の抽象化を動機付けている。
• 参考スコア（独自算出の注目度）: 5.398997035031724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adversarial machine learning has focused mainly on integrity, but availability is an increasingly consequential complement. Latency attacks (also energy-latency attacks) increase inference-time work, energy, or response time, causing deadline misses, throughput collapse, or resource exhaustion in vehicle controllers, interactive services, or battery-powered sensors, sometimes while preserving the nominal prediction. This survey unifies a fragmented literature spanning perception pipelines (including physical attacks on autonomous-driving detection and tracking), input-adaptive neural inference (sponge examples, dynamic networks), and autoregressive and agentic systems (output-length, verbose-image, and reasoning denial-of-service attacks on LLMs, VLMs, mixture-of-experts models, and tool-using agents). We organize attacks by exploited computational bottleneck rather than formulation, separating what makes a computation expensive from how the attacker triggers it; the delivery channel (input, prompt or retrieved content, message, poisoning, or weight tampering) is an orthogonal attribute. Many attacks share one mechanism, intermediate-work amplification, motivating a work-budget defense abstraction; we distinguish caps on the work entering an expensive stage from caps on the results leaving it. We further analyze when a model-level cost increase becomes a system-level availability failure, which depends on critical-path share, slack, existing ceilings, accumulation, resource sharing, and fallback policy, not on the amplification factor alone. We also provide a threat-model taxonomy, consolidated quantitative comparisons, a defense review by control mechanism, and open challenges such as standardized evaluation, physical realizability, and whole-system availability. Companion website: https://github.com/guzonghua/awesome-latency-attacks.
• Abstract（参考訳）: 敵対的機械学習は、主に整合性に焦点を合わせてきたが、可用性は徐々に相補的なものになりつつある。 遅延攻撃(英: Latency attack)またはエネルギー遅延攻撃(英: Energy-latency attack)は、予測時間、エネルギー、応答時間を増加させ、車両の制御装置、対話サービス、バッテリー駆動センサーの遅延やスループットの低下、資源の枯渇を引き起こす。 この調査は、知覚パイプライン(自律走行検出と追跡に対する物理的攻撃を含む)、入力適応型神経推論(スポンジ例、動的ネットワーク)、自動回帰およびエージェントシステム(アウトプット長、冗長イメージ、LLM、VLM、ミックスオブエキスパートモデル、ツール使用エージェント)にまたがる、断片化された文献を統一する。 我々は、定式化よりも計算ボトルネックを利用して攻撃を組織し、攻撃者がそれをトリガーする方法から計算を高価にするものを分離する。 多くの攻撃は1つのメカニズムを共有しており、中間的な作業の増幅、作業予算の抽象化を動機付けている。 さらに,モデルレベルのコスト増加がシステムレベルのアベイラビリティー障害となる時期を,増幅率のみではなく,クリティカルパスの共有,スラック,既存の天井,蓄積,リソース共有,フォールバックポリシに依存して分析する。 また,脅威モデル分類,統合的な定量的比較,制御機構による防御的見直し,標準化された評価,物理的実現可能性,システム全体の可用性といったオープンな課題も提供する。 Companion website: https://github.com/guzonghua/awesome-latency- attacks.com

関連論文リスト

• Who Pays the Price? Stakeholder-Centric Prompt Injection Benchmarking for Real-world Web Agents [93.19140872946842]
  大規模言語モデル(LLM)によって駆動されるWebエージェントは、現実の環境にますますデプロイされる。 これにより、一見良質なコンテンツがエージェントの振る舞いを操作する敵の命令を埋め込む、プロンプト・インジェクション・アタックに対して脆弱になる。 実世界のWebエージェントシステムにおいて,損害を体系的に分類し,属性付けするベンチマークである textbfsysname を導入する。
  論文  参考訳（メタデータ） (2026-06-11T14:12:43Z)
• A Queueing-Theoretic Framework for Dynamic Attack Surfaces: Data-Integrated Risk Analysis and Adaptive Defense [3.752638810747504]
  我々はサイバー攻撃面の時間的進化をモデル化する待ち行列理論フレームワークを開発した。 我々は、AI増幅因子を導入し、到着、エクスプロイト、パッチのレートを拡大することで、自動化が攻撃と防御のダイナミクスにどのように影響するかを研究する。 提案したRLベースの防衛方針は,既存の防衛手法と比較して,ソフトウェアサプライチェーンにおけるアクティブな脆弱性の平均数を90%以上削減することを示す。
  論文  参考訳（メタデータ） (2026-04-12T02:52:24Z)
• An Adaptive Multi-Layered Honeynet Architecture for Threat Behavior Analysis via Deep Learning [0.0]
  ADLAHは、AI駆動の騙しプラットフォームのためのエンドツーエンドのアーキテクチャの青写真とビジョンである。 中央決定機構のプロトタイプは、セッションが低相互作用センサーノードから動的にプロビジョニングされた高相互作用ハニーポットにエスカレートされるべきタイミングをリアルタイムで決定する。 選択的エスカレーションと異常検出以外にも、このアーキテクチャはボット攻撃チェーンの自動抽出、クラスタリング、バージョン管理を追求している。
  論文  参考訳（メタデータ） (2025-12-08T18:55:26Z)
• RAG-targeted Adversarial Attack on LLM-based Threat Detection and Mitigation Framework [0.19116784879310025]
  IoT(Internet of Things)の急速な拡張は、業界全体のコミュニケーションと運用のプラクティスを変革する一方で、攻撃面を広げ、セキュリティ侵害に対する感受性を高めている。 人工知能はIoTネットワークを保護する上で重要なソリューションとなり、Large Language Models(LLM)は自動攻撃行動分析と緩和提案を可能にしている。 LLMベースのIoT攻撃分析と緩和フレームワークを攻撃して、その敵の堅牢性をテストする。
  論文  参考訳（メタデータ） (2025-11-09T03:50:17Z)
• From Sands to Mansions: Towards Automated Cyberattack Emulation with Classical Planning and Large Language Models [10.557417449327868]
  脅威情報による防衛をサポートするために、包括的で最新のサイバー攻撃データセットが必要である。 我々はAuroraを提案する。Auroraは、サードパーティの攻撃ツールと脅威情報レポートを使って、自律的にサイバー攻撃をエミュレートするシステムである。 Auroraを使って1000以上のアタックチェーンを含むデータセットを作成します。
  論文  参考訳（メタデータ） (2024-07-24T01:33:57Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
  我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。 敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
  論文  参考訳（メタデータ） (2021-06-26T10:50:07Z)
• 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)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。