Industrial logistics optimisation in transportation with fuzzing techniques and reverse engineering to secure proprietary traffic control systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives: Integrating industrial proprietary protocols in logistics transportation optimisation presents significant security challenges for traffic control systems. This study addresses the limitations of conventional fuzz testing tools in generating effective test cases for proprietary protocols.Methods: We propose a black-box fuzzing methodology combined with reverse engineering to analyze proprietary protocols in logistics optimisation. The approach begins with field segmentation and applies a multiple sequence alignment algorithm to extract protocol structures from network traffic. Heuristic rules identify key fields, such as length indicators, function codes, and constants, enabling protocol format reconstruction. A protocol state machine is then built to guide the fuzzing process. Test cases are generated through mutation strategies aligned with reconstructed protocol specifications, ensuring seamless interaction with the target system. We designed and implemented the Inter-Component Protocol Paradigm (ICPP) fuzzing tool to validate this approach.Results: Experiments on traffic control protocols (Modbus/TCP, UMAS, S7comm) demonstrate that ICPP fuzz outperforms Netzob in protocol reverse engineering and generates 1.27 × more effective test cases than Boofuzz. It also detected three denial-of-service vulnerabilities in Modicon TM200/221 PLCs.Conclusion: ICPP fuzz enhances fuzz testing efficiency by integrating protocol state machine guidance and reverse inference, significantly improving security in logistics transportation systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle