
Framework formale di modellazione e analisi per sistemi di comunicazione nascosti, che consente la specifica di canali occulti, modelli di avversari e la verifica statistica di modelli dei compromessi tra indetectabilità e prestazioni.
Maude-HCS è una delle prime toolchain generalizzate e modulari per la specifica formale e il ragionamento sui Sistemi di Comunicazione Nascosta (HCS) su scala reale. Consente ai progettisti di rete di esplorare rapidamente ed efficacemente progettazioni HCS alternative e fornisce garanzie formali di privacy-prestazioni necessarie per fidarsi del progetto.
I sistemi di comunicazione nascosta (HCS) incorporano messaggi occulti all'interno di attività di rete ordinarie per nascondere la presenza della comunicazione. In pratica, l'undetectability di un HCS viene tipicamente valutata utilizzando statistiche di traffico ad hoc o rilevatori specifici, rendendo le dichiarazioni di sicurezza strettamente legate a configurazioni sperimentali e a ipotesi avversarie implicite.
Maude-HCS è un framework di modellazione e analisi eseguibile che fornisce una base di principio ed eseguibile per ragionare sui compromessi tra undetectability e prestazioni in progetti HCS complessi. I progettisti specificano formalmente il comportamento del protocollo, gli osservabili dell'avversario e le ipotesi ambientali, e generano campioni Monte Carlo dalle distribuzioni di tracce indotte. Questi possono essere utilizzati per verificare le dichiarazioni di undetectability stimando i tassi di veri e falsi positivi di un test statistico e convertendo queste stime in limiti inferiori sulle misure di undetectability. Ciò consente una valutazione sistematica della rilevabilità e dei suoi compromessi con le prestazioni sotto ipotesi di modellazione esplicitamente dichiarate.
Vi invitiamo a contattarci se necessitate di assistenza nella modellazione e nel ragionamento sul vostro HCS. E vi invitiamo a considerare di citare il nostro lavoro se lo utilizzate nell'ambito della vostra ricerca.
@article{khoury2026maude,
title={Maude-HCS: Model Checking the Undetectability-Performance Tradeoffs of Hidden Communication Systems},
author={Khoury, Joud and Kim, Minyoung and Merlin, Christophe and Meseguer, Jos{\'e} and Ratliff, Zachary and Talcott, Carolyn},
journal={arXiv preprint arXiv:2603.03369},
year={2026}
}
Richiede la versione di Python 3.12.4
Crea il tuo ambiente preferito e attivalo, ad esempio
Per pyenv
pyenv install 3.12.4
pyenv local 3.12.4
Per conda
conda create --name pwnd2 python=3.12.4
conda activate pwnd2
Per virtual env
python -m venv venv
source venv/bin/activate
Abbiamo strutturato il codice sorgente del repository in modo che importiamo dns-formalization-maude come dipendenza (un sottomodulo). Abbiamo creato un fork di questa dipendenza per poter tracciare le nostre modifiche ad essa. Utilizziamo lo sparse-checkout per evitare di dover effettuare il checkout di tutto il codice sorgente della dipendenza, che include molti file irrilevanti (come Testbed).
Per clonare il repository principale
git clone [email protected]:raytheonbbn/maude-hcs.git
Il branch principale contiene il codice sorgente più recente (possibilmente instabile).
I branch/tag più vecchi come pwnd.cp1 si riferiscono a snapshot stabili utilizzati per produrre i risultati durante le valutazioni
(ad es., pwnd.cp1 usato per il challenge problem 1, e analogamente pwnd.cp2).
Per utilizzare uno snapshot più vecchio, effettuare il checkout del branch specifico (es. pwnd.cp1).
Configurare il sottomodulo dns usando il nostro clone del codice in modo da poter tracciare le modifiche apportate al sorgente originale, usare sparse-checkout per mantenere solo i sorgenti rilevanti
cd maude-hcs
mkdir -p maude_hcs/deps
git submodule add -b <branch> -f [email protected]:raytheonbbn/dns-formalization-maude.git \
maude_hcs/deps/dns_formalization
cd maude_hcs/deps/dns_formalization
git sparse-checkout init --cone
git sparse-checkout set "Maude/dns" "Maude/common" "Maude/test" "Maude/attack_exploration"
cd ../../../
git reset .gitmodules
git reset maude_hcs/deps/dns_formalization
Nel comando sopra impostare <branch> su pwnd.43.rb1 per riprodurre i risultati del problema 1 della sfida,
oppure su pwnd per la versione più recente.
Quanto sopra dovrebbe creare un nuovo file chiamato sparse-checkout sotto
.git/modules/maude_hcs/deps/dns_formalization/info/
e indicargli di includere solo determinate directory come Maude/src.
A questo punto git status dovrebbe mostrare un avvio pulito.
Per installare, installare prima la dipendenza come pacchetto chiamato dns, che importiamo come Maude.*
poi installare maude_hcs come pacchetto (con dipendenza da dns).
cd maude_hcs/deps/dns_formalization
pip install -e .
cd ../../../
pip install -e .
I modelli utente sono modelli di Markov pensati per rappresentare il comportamento degli utenti. Questi sono forniti in formato json. Il primo passo è convertirli in rappresentazioni formali maude.
Per farlo, specificare
Ad esempio,
# convert dns tgen user models
maude-hcs --verbose \
--protocol=dns markov \
--json-dir=../pwnd-cp2/src/static/tgen_models/dns/ \
--maude-dir=./maude_hcs/lib/tgen/maude/dnsprofiles/markov/
# convert mastodon tgen models
maude-hcs --verbose \
--protocol=mastodon markov \
--json-dir=../pwnd-cp2/src/static/tgen_models/mastodon \
--maude-dir="./maude_hcs/lib/raceboat/maude/mastodonprofiles/"
Vedi le specifiche di esempio markov json sotto ./maude_hcs/lib/tgen/maude/dnsprofiles/markov/
(e analogamente per mastodon), insieme alle loro specifiche maude convertite.
Generiamo le configurazioni iniziali utilizzando il comando generate.
Le configurazioni HCS possono essere passate direttamente in json utilizzando i parametri di configurazione HCS,
oppure utilizzando un file di configurazione di un esperimento Shadow, oppure utilizzando un file di configurazione YML.
Ciascuna di queste modalità è descritta di seguito.
Passare un file di configurazione maude-hcs json come segue,
Per generare una configurazione di modello DNS probabilistico con iodine e specificare il nome del file di output,
maude-hcs --verbose generate \
--run-args="./use-cases/challenge-problem-2/cp2_scenarios/cp2_scenario_1-hcsconfig.json" \
--model=prob \
--filename="cp2_scenario_1" \
--output-dir="./use-cases/challenge-problem-2/cp2_scenarios/"
Imposta --model=nondet per generare una versione non deterministica.
Questo produce il file eseguibile maude (e il corrispondente file json di configurazione HCS) nella directory di output. Il file json di configurazione di input dovrebbe essere semplice da seguire. Include la specifica di
Fare riferimento a HCSParamsGuide per una descrizione di alcuni dei parametri. Si noti che il modello probabilistico combinerà i parametri non deterministici così come i parametri probabilistici (che sovrascrivono quelli non deterministici).
Scopri gli strumenti più utilizzati dalla nostra community.
Nessun dato di popolarità ancora.