抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習ベース技術はサイバー知能の成功を示した。しかし,それらは,誤予測をもたらす洗練されたデータ駆動敵対攻撃のターゲットになっており,ネットワークデバイス上の脅威を検出する能力の浸食を招いている。本論文では,広告攻撃に対するディシジョンツリーの脆弱性を強調するシステムであるAdIoTackを提示し,サイバーセキュリティチームは,IoTネットワークを監視するための訓練されたモデルのレジリエンスを定量化および精密化する。最悪ケースシナリオのモデルを評価するために,AdIoTackは,ディシジョンツリーアンサンブルモデルが止められない,成功した体積攻撃を打ち出すために,ホワイトボックス敵対学習を実行する。著者らの最初の貢献は,訓練されたディシジョンツリーアンサンブルモデルと,入力として犠牲者クラス上の意図されたネットワークベースの攻撃のプロファイルを取るホワイトボックスアルゴリズムを開発することである。そして,次に,自動的に推論モデルを迂回することができなかった攻撃パケット(15%のオーバヘッド未満)のトップに特定のパケットを指定するレシピを自動的に作り出す。生成された攻撃インスタンスはIPネットワーク上を打ち上げ,それらの体積インパクトに有効であることを証明した。第2の貢献は,犠牲者IoT装置の半分に敵対的トラフィック(実行可能)を注入し,意図した攻撃を打ち上げて,接続したデバイスのネットワーク挙動をモニターする方法を開発する。第3の貢献プロトタイプAdIoTackは,訓練された推論モデルによってモニターされた実際のIoTデバイスの手ごろいから成るテストベッドに対するその有効性を検証した。著者らは,モデルがどのようにIoTデバイス上のすべての非敵対的体積攻撃を検出するかを示し,一方,多くの敵対者を欠いている。第4の貢献は,訓練されたディシジョンツリーアンサンブルモデルにパッチを適用するための系統的手法を開発し,敵対的体積攻撃に対するレジリエンスを改善する。【JST・京大機械翻訳】