論文の概要: Inferring Sensitive Events in Multi-Mode Cyber-Physical Systems via Scheduling Side Channels
- arxiv url: http://arxiv.org/abs/2611.17761v1
- Date: Fri, 13 Nov 2026 05:17:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.308733
- Title: Inferring Sensitive Events in Multi-Mode Cyber-Physical Systems via Scheduling Side Channels
- Title(参考訳): スケジューリング側チャネルによるマルチモードサイバー物理システムにおける感性事象の推測
- Abstract要約: STAMPは、システムがそのモードを公開するかどうかを問わない、軽量なスケジュールベースの攻撃である。
ZoneMinderのホームセキュリティデプロイメントでは、STAMPは1コアの0.5%以下を使用して、未確認のハードウェア上で94.7%の精度でモードを特定する。
オックスフォード・ロボットカー・データセットによるROS 2 AMCLでは、車両が86.4%の精度で横断する7つの経路のどれかを特定する。
- 参考スコア(独自算出の注目度): 2.2631235773863922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many cyber-physical systems (CPS) are multi-mode: they switch between operating modes with different tasksets and timing parameters in response to physical events or user activity. We show that these mode changes create a timing side channel: by altering the interference experienced by co-running tasks, they let an unprivileged co-resident observer infer sensitive events, such as a homeowner's arrival or a vehicle's route, from its own execution timing and, on multicore platforms, its core assignment. Existing schedule-based attacks and defenses miss this channel because they assume single-mode systems or target a specific, known victim task. We present STAMP, a lightweight attack that needs no knowledge of task parameters or scheduling policy, and works whether or not the system exposes its modes. On a ZoneMinder home-security deployment, STAMP identifies the modes with 94.7% accuracy on unseen hardware, using under 0.5% of one core. On ROS 2 AMCL with the Oxford RobotCar dataset, it identifies which of seven route segments a vehicle traversed with 86.0% accuracy on unseen platforms. A schedule-randomization defense lowers detection recall to 0.53, at which setting only 53.9% as many jobs finish on time. At higher noise ($ε=10$), on-time job completion reduces to 14.4%, while introducing new leakage in 14.1% of the tasksets.
- Abstract(参考訳): 多くのサイバー物理システム(CPS)はマルチモードであり、物理イベントやユーザアクティビティに応じて異なるタスクセットとタイミングパラメータを持つ操作モードを切り替える。
これらのモードの変更は、共同実行タスクが経験する干渉を変更することで、ホーム所有者の到着や車両のルートといった機密性の高い事象を、その実行タイミングから、そしてマルチコアプラットフォーム上で、その中核となる課題を推測する。
既存のスケジュールベースの攻撃と防御は、単一のモードシステムを想定したり、特定の既知の犠牲者タスクを標的にしているため、このチャンネルを見逃す。
タスクパラメータやスケジューリングポリシの知識を必要とせず,システムがそのモードを公開するかどうかを問わない,軽量な攻撃であるSTAMPを提案する。
ZoneMinderのホームセキュリティデプロイメントでは、STAMPは1コアの0.5%以下を使用して、未確認のハードウェア上で94.7%の精度でモードを特定する。
オックスフォード・ロボットカー・データセットによるROS 2 AMCLでは、車両が86.0%の精度で横断する7つの経路のどれかを特定する。
スケジュールランダム化防御は検出リコールを0.53に下げ、多くのジョブが間に合うと53.9%しか設定できない。
高ノイズ(ε=10$)では、タスクセットの14.1%に新しいリークを導入しながら、オンタイムのジョブ完了率は14.4%に低下する。
関連論文リスト
- Meituan-Robotics-0: A Vision-Language-Action Foundation Model for Desktop Manipulation [58.03615915160429]
本稿では,静的デスクトップ操作のための視覚言語行動基盤モデルであるMeituan-Robotics-0(MR0)を提案する。
MR0は1億4700万の視覚言語サンプルと、12のエボディメントにまたがる15,060時間のロボット軌道を組み合わせている。
イーサネット挿入では、ロールバックデータでトレーニングされたCFG-DAggerが70%成功し、進捗スコアは0.90である。
論文 参考訳(メタデータ) (2026-11-05T18:55:42Z) - Spectrally Routed Diffusion Policy for Multi-Task Robotic Manipulation [2.6868089798320653]
拡散に基づくポリシは、シングルタスクロボット操作において強力なパフォーマンスを実現している。
しかし、複数のタスクで共同で訓練された単一のモデルは、同じデモンストレーションで訓練されたタスク毎のスペシャリストを一貫して過小評価している。
これらの問題を解決するためにSR-DP(Spectrally Routed Diffusion Policy)を提案する。
論文 参考訳(メタデータ) (2026-11-03T08:09:15Z) - NetAgent: Multi-Task Agentic Network Traffic Analysis Made Practical [53.87671627926138]
NetAgentはマルチタスクトラフィック分析のための最初のエージェントフレームワークである。
複雑なタスク理解、オンザフライの分解とオーケストレーション、動的リプランニング、ロングホライゾン分析をサポートする。
論文 参考訳(メタデータ) (2026-10-05T20:58:45Z) - TAPDreamer: Transferable Adversarial Patches for World Action Models [30.106147619761106]
本研究では,固定された局所摂動を構築するために,公開エンコーダのみを用いた世界行動モデルに対する攻撃を提案する。
我々は、ベンチマーク毎に1つのフリーズパッチが入力の6.5%をカバーし、FastWAMの成功率を40のLIBEROタスクで97.7%から0.0%、50のRoboTwinタスクで90.86%から0.0%に下げることを示した。
論文 参考訳(メタデータ) (2026-10-05T17:55:21Z) - ASENA: Self-evolving Agents for Embodied Navigation [84.64998230277466]
ASENAは汎用コーディングエージェントをロボットセンシング、計算、教師付き実行、永続的な体験に接続する。
独立政策としてASENA-VLNはR2Rで68.7%、RxRで70.2%という最先端の成功率を達成した。
論文 参考訳(メタデータ) (2026-09-30T07:53:50Z) - Policy as Code: A Coroutine-Bridge Harness for Fast-Reasoning Reliability on CAR-bench [0.0]
CAR-benchは、ツール使用エージェントが現実の不確実性の下で信頼性を維持しているかどうかを評価する。
モデルの唯一のアクションは、評価ツール交換所間で再開されるPythonプログラムを出力することである。
論文 参考訳(メタデータ) (2026-09-24T08:55:13Z) - Good to Go: The LOOP Skill Engine That Hits 99% Success and Slashes Token Usage by 99% via One-Shot Recording and Deterministic Replay [14.181844060152367]
99%の成功率と99%のトークン削減を実現するシステムである LOOP SKILL ENGINE を提案する。
決定論的実行計画は、時間依存変数と結果依存変数をパラメータ化しながら、タスクの機能的意図をキャプチャする。
周期的エージェントタスクのベンチマークが5分から24時間に及ぶ間、Loop Skill Engineは毎月のトークン消費を93.3%--99.98%削減し、実行遅延を8.7倍削減し、出力非決定性を排除している。
論文 参考訳(メタデータ) (2026-05-14T01:05:35Z) - ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。
それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。
評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
論文 参考訳(メタデータ) (2026-04-05T17:55:23Z) - Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops [0.5801044612920815]
OMM(Object Memory Management)は,エージェントが障害に関する知識を保持し,共有するための軽量なメカニズムである。
OMM はブロックノードの分散ブラックリストを維持することで動作し、各エージェントは Dijkstra ベースのパス再計算を行う。
以上の結果から,OMMによる調整は,メモリレスシステムと比較して平均走行時間を75.7%削減し,待ち時間を88%短縮することがわかった。
論文 参考訳(メタデータ) (2025-11-20T17:42:49Z)
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。