論文の概要: Out of Sync, Out of Sight: Phantom State Attacks against IIoT Intrusion Detection

• arxiv url: http://arxiv.org/abs/2610.02552v1
• Date: Thu, 01 Oct 2026 22:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.1133
• Title: Out of Sync, Out of Sight: Phantom State Attacks against IIoT Intrusion Detection
• Title（参考訳）: Out of Sync, Out of Sight: Phantom state attacks against IIoT Intrusion Detection
• Abstract要約: 機械学習に基づく侵入検知システムは、産業用IoT(Internet of Things)環境の確保に不可欠である。 我々は、パッシブ・ゼロ・クエリ・脅威モデルの下で依存を利用するPhantom State Attack (PSA)を導入する。 ToN-IoTとCIC IIoT 2025(DataSense)のPSAをランダムフォレストとXGBoostに対して評価し,検出劣化,同期歪み,盗み,攻撃コストを測定した。
• 参考スコア（独自算出の注目度）: 1.669532546126409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning-based intrusion detection systems (IDS) are critical for securing Industrial Internet of Things (IIoT) environments. Most adversarial research against them perturbs the feature vector or the traffic that produces it, and depends on gradient access, repeated model queries, or a learned model of benign traffic. A smaller line of work reshapes packet timing without querying the detector, but makes malicious traffic mimic a learned model of benign timing. Across these approaches, one assumption of industrial monitoring pipelines has received little attention: temporal synchronization. An IDS reconstructs operational state by aggregating telemetry into sliding or tumbling windows, so its view depends not only on what is observed but on when each observation falls relative to a window boundary. We introduce the Phantom State Attack (PSA), which exploits that dependence under a passive, zero-query threat model. Rather than modifying packets, perturbing features, querying the classifier, or fitting any model of benign traffic, PSA injects bounded timing drift calibrated to the attack flow's own inter-arrival variability, moving observations across the nearest window boundary by the minimal shift needed. The IDS then reconstructs a phantom state that diverges from the true process state. We evaluate PSA on ToN-IoT and CIC IIoT 2025 (DataSense), against Random Forest, MLP and XGBoost, measuring detection degradation, synchronization distortion, stealth, and attacker cost. PSA degrades detection on flows carrying enough packets for window-boundary redistribution, and leaves others almost unchanged, so its effect is conditional. A query-based baseline reaches higher raw success but needs many queries per window, while PSA needs none. The results identify temporal aggregation as an attack surface reachable under weaker assumptions than prior evasion techniques.
• Abstract（参考訳）: マシンラーニングベースの侵入検知システム(IDS)は,産業用モノのインターネット(IIoT)環境の確保に不可欠である。 それらに対する多くの敵対的な研究は、特徴ベクトルやそれを生成するトラフィックを混乱させ、勾配アクセス、繰り返しモデルクエリ、あるいは良心的なトラフィックの学習モデルに依存する。 より少ない行の作業は、検知器に問い合わせることなくパケットのタイミングを再現するが、悪意のあるトラフィックは、良心的なタイミングの学習モデルを模倣する。 これらのアプローチ全体で、産業用監視パイプラインの仮定のひとつに、時間同期という、ほとんど注目されていないものがある。 IDSは、テレメトリをスライディングやタンブリングウィンドウに集約することで、運用状態を再構築するので、そのビューは、観察されているものだけでなく、各観測がウィンドウ境界に相対するときにも依存する。 我々は、その依存をパッシブ・ゼロ・クエリ・脅威モデルの下で活用するPhantom State Attack (PSA)を導入する。 パケットの変更、摂動機能の変更、分類器のクエリ、または良性トラフィックのモデルに適合する代わりに、PSAは攻撃フロー自体の領域間変動に調整された境界時間ドリフトを注入し、必要最小限のシフトで最寄りのウィンドウ境界を越えて観測を移動させる。 IDSはその後、真のプロセス状態から分岐する幻の状態を再構築する。 ToN-IoTとCIC IIoT 2025(DataSense)のPSAをランダムフォレスト、MLP、XGBoostに対して評価し、検出劣化、同期歪み、盗み、攻撃コストを測定した。 PSAは、ウィンドウ境界の再配布のための十分なパケットを積んだフローの検出を劣化させ、他のものはほとんど変わらないので、その効果は条件付きである。 クエリベースのベースラインは、生の成功を収めるが、ウィンドウ毎に多くのクエリが必要なのに対して、PSAは不要である。 その結果, 時間的アグリゲーションは, 先行回避法よりも弱い仮定で到達可能な攻撃面であることがわかった。

関連論文リスト

• When Agents Look Like Beacons: NIDS Evasion by Model Context Protocol Traffic [0.5076419064097734]
  明示的なネットワーク層表示がなければ,MPPトラフィックはCommand and Control (C2) のビーカリング動作に類似していることが示される。 本稿では,エージェントNative Native ALPNと標準帯域外ヘッダを含むエージェントベースのネットワーク表示標準を提案する。
  論文  参考訳（メタデータ） (2026-09-16T17:27:42Z)
• Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems [0.0]
  侵入攻撃はMLベースのシステムへの入力を意図的に操作し、操作された入力がまだ良さそうに見える間に誤った予測を生成する。 本稿では,Residual Localisation Detector (RLD) とFeature-Space Perturbation Consistency (FPC) Detector (FPC) の2つの補完検出器を提案する。 UQ-IoTデータセット内の複数のIoTデバイスからの良性、悪意、敵対的なトラフィックに対して、両方の検出器を評価する。
  論文  参考訳（メタデータ） (2026-07-01T17:26:24Z)
• FlowGuard: Flow Matching for Identity-Independent Detection of Data-Free Model Stealing Attacks on Energy System Intrusion Detection Systems [0.0]
  FlowGuardは、入ってくるクエリをアウト・オブ・ディストリビューション(OOD)として分類するフローマッチングに基づく、IDに依存しない防御である。 このアプローチは、データフリーモデル盗難攻撃のために合成的に生成されたクエリが、実際のネットワークトラフィックよりも低次元の多様体を占有しているという事実を生かしている。 我々は,MAZE と DisGUIDE 攻撃を用いたPRADA と FDINet に対して,単サイクルで分散した (100-client Sybil) 設定で評価した。
  論文  参考訳（メタデータ） (2026-06-02T10:18:45Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
  視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。 本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。 我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
  論文  参考訳（メタデータ） (2025-05-09T20:28:17Z)
• AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
  CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。 我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。 また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T09:53:50Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

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。