論文の概要: Adversarial RL for Port-Scan Evasion: Attacker Feature Visibility in Edge-Deployed IDS

• arxiv url: http://arxiv.org/abs/2610.08864v1
• Date: Mon, 05 Oct 2026 21:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.517928
• Title: Adversarial RL for Port-Scan Evasion: Attacker Feature Visibility in Edge-Deployed IDS
• Title（参考訳）: ポートスキャン侵入に対する逆RL:エッジ展開IDSにおける攻撃者特徴の可視性
• Abstract要約: 本稿では,Raspberry Pi 3B+に搭載されたMLベースのIDSモデルに対して,適応型ポートスキャン回避について検討する。 我々は、マルチ層パーセプトロンであるXGBoostと、TON_IoTテレメトリに基づいてトレーニングされた1D畳み込みニューラルネットワークを用いて、ZeekベースのライブIDSパイプラインを実装した。 制限された特徴知識が静的エッジ展開IDSモデルに対して効果的な適応回避を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 1.4095941890103065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning-based intrusion detection systems (IDS) are increasingly used in resource-constrained Internet of Things (IoT) environments, yet their robustness is often evaluated against static attacks rather than adversaries that adapt to detection feedback. This paper investigates adaptive port-scan evasion against ML-based IDS models deployed on a Raspberry Pi 3B+. We implement a live Zeek-based IDS pipeline with XGBoost, a multi-layer perceptron, and a 1D convolutional neural network trained on TON_IoT telemetry, and use a Deep Q-Network (DQN) adversary to learn evasive combinations of probe timing, TCP flags, and payload size under black-box, gray-box, and white-box feature-visibility settings. Although the deployed IDS models detect conventional port scans at 91.1--99.8%, DQN final-50-episode evasion rates range from 61.9% to 98.3% across feature-visibility settings. Greater feature visibility does not monotonically improve evasion, and its effect is model-dependent: against XGBoost, the black-box agent achieves 92.9% evasion, compared with 61.9% and 76.9% for gray-box and white-box agents, respectively, whereas 1D-CNN is most vulnerable under white-box access at 98.1%. Because standard DQN can overestimate action values, we additionally spot-check representative conditions using Double DQN. The gray-box condition remains unstable in this check, providing no evidence that overestimation bias alone explains the observed instability. These results show that limited feature knowledge can still enable effective adaptive evasion against static edge-deployed IDS models, motivating more robust defenses for IoT edge environments.
• Abstract（参考訳）: 機械学習ベースの侵入検知システム(IDS)は、リソースに制約のあるIoT(Internet of Things)環境での利用が増えているが、その堅牢性は、検出フィードバックに適応する敵ではなく、静的攻撃に対して評価されることが多い。 本稿では,Raspberry Pi 3B+に搭載されたMLベースのIDSモデルに対して,適応型ポートスキャン回避について検討する。 我々は、XGBoost、マルチ層パーセプトロン、TON_IoTテレメトリに基づいて訓練された1D畳み込みニューラルネットワークを備えたライブZeekベースのIDSパイプラインを実装し、ディープQ-Network(DQN)敵を用いて、ブラックボックス、グレーボックス、ホワイトボックスの機能可視性設定におけるプローブタイミング、TCPフラグ、ペイロードサイズの回避結合を学習する。 配備されたIDSモデルは従来のポートスキャンを91.1--99.8%で検出するが、DQNの最終50エピソード回避率は61.9%から98.3%である。 XGBoostに対して、ブラックボックスエージェントは92.9%、グレーボックスエージェントは61.9%、ホワイトボックスエージェントは76.9%、ホワイトボックスアクセスでは1D-CNNは98.1%である。 標準DQNは動作値を過大評価できるので、Double DQNを用いて代表条件をスポットチェックする。 このチェックでは、グレーボックスの状態は不安定であり、過大評価バイアスだけで観測された不安定性を説明する証拠は得られない。 これらの結果は、限られた機能知識が静的エッジデプロイIDSモデルに対して効果的な適応回避を可能にすることを示し、IoTエッジ環境に対するより堅牢な防御を動機付けている。

関連論文リスト

• Decoy Direction Optimization: A Post-Hoc Defense Against LLM Abliteration [37.700303596218184]
  RFA(Refusal Feature Ablation)を用いたオープンウェイト言語モデルの安全ガードレールのバイパス 本稿では,DDO(Decoy Direction Optimization)について紹介する。 この効果を定式化するスペクトル境界を証明し、6つのモデルファミリーでDDOを評価し、標準RFA下で10%のASRを達成する。
  論文  参考訳（メタデータ） (2026-09-14T18:36:35Z)
• Adaptive Intrusion Detection System using Transformer-Based Neural Networks and Continual Learning Approach with Adversarial Investigation [1.90296757424868]
  ネットワーク侵入検知システム (IDS) は, 脅威分布のシフトに伴い, 配置後無音で停止する。 リプレイベースの連続学習はこれに反論するが、既存の手法では、ベニティトラフィックを1つの初期タスクに非現実的に限定し、リプレイバッファを潜在的攻撃面として無視する。 より忠実なストレステストとして新しい攻撃と共に良心が流れるクラスインスタンスインクリメンタル(CII)シナリオを導入し、オーバートラベルのフリップとステルスバックドア中毒攻撃でバッファーを探索する。
  論文  参考訳（メタデータ） (2026-08-05T09:06:45Z)
• CITADEL: CSI-Based Jamming Detection and Open-Set Classification for IIoT Networks [8.234024185555208]
  無線周波数ジャミングは、無線産業用IoT(Industrial Internet of Things)ネットワークの可用性に重大な脅威をもたらす。 既存の検出と分類技術はこの設定には適していない。 本稿では,チャネル状態情報(CSI)測定のみを用いた軽量な2段階階層パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-06-22T07:16:50Z)
• A Multi-Layer Cloud-IDS Pipeline with LLM and Adaptive Q-Learning Calibration [3.8389528716038055]
  クラウドコンピューティングのセキュリティは、階層化されたクラウドアーキテクチャ、動的環境、目に見えない、あるいはゼロデイの攻撃にさらされることによって、大きな関心事になっている。 本研究では,クラウド環境に適した強化学習を用いて,信頼性に配慮したマルチレベル侵入検知システムを構築する。
  論文  参考訳（メタデータ） (2026-05-15T12:19:34Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Transferable Backdoor Attacks for Code Models via Sharpness-Aware Adversarial Perturbation [37.091275561451695]
  既存のコードモデルに対するバックドア攻撃は、転送可能性とステルスネスの基本的なトレードオフに直面します。 シャープネス対応トランスファー可能なバックドア(STAB)を提案する。 STABは、完全な犠牲者データを必要とすることなく、転送可能性とステルス性の両方を達成する。
  論文  参考訳（メタデータ） (2026-02-11T08:26:47Z)
• Adversarial Robustness of Traffic Classification under Resource Constraints: Input Structure Matters [2.4779082385578337]
  トラフィック分類(TC)は、特にIoTや組み込みコンテキストにおいて、サイバーセキュリティにおいて重要な役割を果たす。 ハードウェア対応ニューラルアーキテクチャサーチ(HW-NAS)を使用して、エッジプラットフォーム上で正確で効率的でデプロイ可能な軽量TCモデルを導出します。
  論文  参考訳（メタデータ） (2025-12-01T23:47:22Z)
• A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning [0.0]
  車両内侵入検知システム(IDS)は、目に見える攻撃を検出し、新しい目に見えない攻撃に対する堅牢な防御を提供する必要がある。 これまでの作業は、CAN ID機能のみに依存していたり、手動で機能抽出する従来の機械学習(ML)アプローチを使用していました。 本稿では,これらの制約に対処するために,最先端,斬新,軽量,車内,IDS平均化,深層学習(DL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-15T21:51:56Z)
• 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)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)

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。