@misc{MitsevaThierseHoffmannetal., author = {Mitseva, Asya and Thierse, Paul and Hoffmann, Harald and Er, Devran and Panchenko, Andriy}, title = {Challenges and Pitfalls in Generating Representative ICS Datasets in Cyber Security Research}, series = {Computer Security, ESORICS 2022 International Workshops CyberICPS 2022, SECPRE 2022, SPOSE 2022, CPS4CIP 2022, CDT\&SECOMANE 2022, EIS 2022, and SecAssure 2022 Copenhagen, Denmark, September 26-30, 2022, Revised Selected Papers}, journal = {Computer Security, ESORICS 2022 International Workshops CyberICPS 2022, SECPRE 2022, SPOSE 2022, CPS4CIP 2022, CDT\&SECOMANE 2022, EIS 2022, and SecAssure 2022 Copenhagen, Denmark, September 26-30, 2022, Revised Selected Papers}, editor = {Katsikas, Sokratis}, publisher = {Springer International Publishing}, address = {Cham}, isbn = {978-3-031-25459-8}, doi = {10.1007/978-3-031-25460-4_22}, pages = {379 -- 397}, language = {en} } @misc{GaoZhangChenetal., author = {Gao, Yunlong and Zhang, Yisong and Chen, Baihua and Xiong, Yuhui}, title = {Local Neighborhood Reliability Weighted Support Vector Machine}, series = {2020 2nd International Conference on Industrial Artificial Intelligence (IAI)}, journal = {2020 2nd International Conference on Industrial Artificial Intelligence (IAI)}, publisher = {IEEE}, isbn = {978-1-7281-8216-2}, doi = {10.1109/IAI50351.2020.9262215}, pages = {1 -- 6}, abstract = {Support vector machine (SVM) is a classification model, which learns the decision surface that maximizes the margin in the feature space. Such a decision surface has a good classification ability for unknown new samples. In real-world applications, the data set usually contains many noises and outliers, which will affect the learning of the decision surface, thus the maximum margin cannot be obtained, and the generalization ability of SVM will be reduced. In this paper, we introduce an adjacency factor to each input point to characterize the local neighbor relationship between each point. Weighting each sample point by the adjacency factor can let different sample points make different contributions to the learning of the decision surface. Thus, we can filter out the influence of noises and outliers on the decision surface by this weighting method. We propose this new method namely local neighborhood reliability weighted support vector machine (LN-SVM).}, language = {en} } @misc{Sheikhi‐GarjanGiustolisiSchuermann, author = {Sheikhi-Garjan, Maryam and Giustolisi, Rosario and Schuermann, Carsten}, title = {Receipt-Free Electronic Voting from zk-SNARK}, series = {Proceedings of the 20th International Conference on Security and Cryptography}, journal = {Proceedings of the 20th International Conference on Security and Cryptography}, publisher = {SCITEPRESS - Science and Technology Publications}, isbn = {978-989-758-666-8}, doi = {10.5220/0012140000003555}, pages = {254 -- 266}, language = {en} } @misc{MitsevaLewandowskyPanchenko, author = {Mitseva, Asya and Lewandowsky, Marco and Panchenko, Andriy}, title = {Whitelisting als Allheilmittel : {\"u}ber die Grenzen der Anomalieerkennung in industriellen Steuerungssystemen}, series = {Sicherheit 2026 : Sicherheit, Schutz und Zuverl{\"a}ssigkeit, 17.-19. M{\"a}rz 2026, Hamburg : proceedings}, journal = {Sicherheit 2026 : Sicherheit, Schutz und Zuverl{\"a}ssigkeit, 17.-19. M{\"a}rz 2026, Hamburg : proceedings}, editor = {Skwarek, Volker and W{\"o}hnert, Kai Hendrik and Kaven, Sascha and Wendzel, Steffen}, publisher = {Gesellschaft f{\"u}r Informatik}, address = {Bonn}, issn = {2944-7682}, doi = {10.18420/sicherheit2026_09}, pages = {103 -- 114}, abstract = {Die zunehmende Digitalisierung und Vernetzung industrieller Steuerungssysteme mit dem Internet macht diese anf{\"a}llig f{\"u}r Cyberangriffe. Ein zentraler Forschungsbereich konzentriert sich daher auf die Entwicklung reaktiver Sicherheitsmechanismen in Form industrieller Intrusion-Detection-Systeme (IIDS), die darauf ausgelegt sind, Anomalien im normalen Systembetrieb zu erkennen. Eine entscheidende Voraussetzung hierf{\"u}r ist die Identifizierung typischer Verkehrsmuster, die ausschließlich f{\"u}r das normale Verhalten industrieller Steuerungssysteme charakteristisch sind. Im Gegensatz zu fr{\"u}heren Arbeiten, die sich auf komplexe und protokollabh{\"a}ngige Modelle zur Charakterisierung des Netzwerkverkehrs industrieller Steuerungssysteme konzentrierten, schlagen wir in dieser Arbeit einfache, leicht umsetzbare und effektive Regeln vor, um zu ermitteln, ob der Netzwerkverkehr in Industrieanlagen - im Gegensatz zu herk{\"o}mmlichen IT-Netzwerken - {\"u}ber einen l{\"a}ngeren Zeitraum stabil bleibt. Anhand der Analyse mehrerer Datens{\"a}tze aus nachgebildeten und realen industriellen Steuerungssystemen mit unterschiedlichen industriellen Netzwerkprotokollen zeigen wir, dass aufbauend auf diesen Regeln bereits nach kurzer Beobachtungszeit hinreichend pr{\"a}gnante Muster extrahiert werden k{\"o}nnen, mit deren Hilfe es m{\"o}glich ist, g{\"a}ngige Verkehrsver{\"a}nderungen durch Netzverkehrsangriffe zu erkennen. Dieser Ansatz steht im Gegensatz zu herk{\"o}mmlichen Machine-Learning-IIDS, die h{\"a}ufig einen betr{\"a}chtlichen zeitlichen Aufwand f{\"u}r den Trainingsprozess erfordern. Somit stellen wir auch die Frage auf, inwieweit komplexe IIDS f{\"u}r den praktischen Betrieb tats{\"a}chlich unabdingbar sind.}, language = {de} }