Field Portioning Approach for Lightweight Java Rule-based Anomaly Detection in IPv6 Tunneling Environments
Notice bibliographique
Résumé
The transition from IPv4 to IPv6 introduces new security risks, particularly through tunneling mechanisms that encapsulate IPv6 traffic within IPv4 headers. Conventional Network Intrusion Detection Systems (NIDS) often fail to detect threats hidden in tunneled or multi-layered packets due to limited protocol awareness and high resource consumption. This paper proposes a lightweight, modular Java-based NIDS that employs a Field Portioning Approach (FPA) for efficient, rule-based anomaly detection in IPv6 tunneling environments. The system architecture integrates real-time packet capture, selective decapsulation, field extraction, and context-aware signature matching. Experimental evaluations conducted in a controlled testbed with enterprise and IoT-like devices, where tunneling attacks such as Denial6, NDPExhaust26, and THCSyn6 were launched alongside benign traffic, confirm that the proposed NIDS achieves detection rates exceeding 98% for most tunneling attack types. Its performance is equivalent to Snort enhanced with adaptive FPA, but with significantly lower CPU and memory usage. The Java-based system also maintains low detection latency, demonstrating suitability for resource-constrained environments such as IoT gateways. The main contribution of this work lies in introducing a selective and context-aware field portioning mechanism tailored for tunneled traffic, enabling lightweight yet accurate detection. The results confirm the effectiveness of the Field Portioning Approach in strengthening security for modern, heterogeneous network infrastructures during the IPv6 transition.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».