論文の概要: Defending Water Treatment Networks: Exploiting Spatio-temporal Effects
for Cyber Attack Detection
- arxiv url: http://arxiv.org/abs/2008.12618v1
- Date: Wed, 26 Aug 2020 15:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 22:30:25.513619
- Title: Defending Water Treatment Networks: Exploiting Spatio-temporal Effects
for Cyber Attack Detection
- Title（参考訳）: 防水ネットワーク:サイバー攻撃検出のための時空間効果の爆発
- Authors: Dongjie Wang, Pengyang Wang, Jingbo Zhou, Leilei Sun, Bowen Du, Yanjie
Fu
- Abstract要約: 水処理ネットワーク(WTN)は地域社会と公衆衛生にとって重要なインフラであり、WTNはサイバー攻撃に弱い。
WTNにおけるサイバー攻撃の時間的特性をモデル化し,WTNを防御する構造的異常検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 46.67179436529369
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Water Treatment Networks (WTNs) are critical infrastructures for local
communities and public health, WTNs are vulnerable to cyber attacks. Effective
detection of attacks can defend WTNs against discharging contaminated water,
denying access, destroying equipment, and causing public fear. While there are
extensive studies in WTNs attack detection, they only exploit the data
characteristics partially to detect cyber attacks. After preliminary exploring
the sensing data of WTNs, we find that integrating spatio-temporal knowledge,
representation learning, and detection algorithms can improve attack detection
accuracy. To this end, we propose a structured anomaly detection framework to
defend WTNs by modeling the spatio-temporal characteristics of cyber attacks in
WTNs. In particular, we propose a spatio-temporal representation framework
specially tailored to cyber attacks after separating the sensing data of WTNs
into a sequence of time segments. This framework has two key components. The
first component is a temporal embedding module to preserve temporal patterns
within a time segment by projecting the time segment of a sensor into a
temporal embedding vector. We then construct Spatio-Temporal Graphs (STGs),
where a node is a sensor and an attribute is the temporal embedding vector of
the sensor, to describe the state of the WTNs. The second component is a
spatial embedding module, which learns the final fused embedding of the WTNs
from STGs. In addition, we devise an improved one class-SVM model that utilizes
a new designed pairwise kernel to detect cyber attacks. The devised pairwise
kernel augments the distance between normal and attack patterns in the fused
embedding space. Finally, we conducted extensive experimental evaluations with
real-world data to demonstrate the effectiveness of our framework.
- Abstract（参考訳）: 水処理ネットワーク(WTN)は地域社会と公衆衛生にとって重要なインフラであるが、WTNはサイバー攻撃に弱い。
効果的な攻撃検出は、汚染水の排出、アクセスの拒否、設備の破壊、公衆の恐怖からwtnを守ることができる。
WTNの攻撃検出には広範な研究があるが、サイバー攻撃を検出するために部分的にデータ特性を利用するだけである。
WTNのセンシングデータを予備検討した結果,時空間知識,表現学習,検出アルゴリズムの統合により,攻撃検出精度が向上することがわかった。
そこで本研究では,WTNにおけるサイバー攻撃の時空間特性をモデル化し,WTNを防御する構造的異常検出フレームワークを提案する。
特に,wtnのセンシングデータを時系列の時系列に分離した後,サイバーアタックに適した時空間表現フレームワークを提案する。
このフレームワークには2つの重要なコンポーネントがある。
第1のコンポーネントは、センサの時間セグメントを時間埋め込みベクトルに投影することにより、時間セグメント内の時間パターンを保存する時間埋め込みモジュールである。
次に,ノードがセンサであり,属性がセンサの時間的埋め込みベクトルである時空間グラフ(stgs)を構築し,wtnの状態を記述する。
第2の構成要素は空間埋め込みモジュールであり、STGからWTNの最終的な融合埋め込みを学習する。
さらに,サイバー攻撃を検出するために,新しい設計の対角カーネルを利用する一種類のSVMモデルも考案した。
考案されたペアワイズカーネルは、融合した埋め込み空間における通常のパターンと攻撃パターンの間の距離を増大させる。
最後に,実世界データを用いた広範な実験評価を行い,フレームワークの有効性を実証した。
関連論文リスト
- CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。
時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。
その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
論文 参考訳（メタデータ） (2023-11-07T11:57:33Z) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳（メタデータ） (2023-10-10T09:39:38Z) - Semantic Segmentation of Radar Detections using Convolutions on Point
Clouds [59.45414406974091]
本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。
このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。
我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2023-05-22T07:09:35Z) - Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。
現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。
空間周波数Krawtchouk分解に基づく識別検出器を提案する。
論文 参考訳（メタデータ） (2023-05-18T10:18:59Z) - Adversarial Vulnerability of Temporal Feature Networks for Object
Detection [5.525433572437716]
本研究では,物体検出のための時間的特徴ネットワークが,普遍的敵攻撃に対して脆弱であるかどうかを検討する。
画像全体に対する知覚不能ノイズと,局所的な対向パッチの2種類の攻撃について検討した。
KITTIおよびnuScenesデータセットに関する実験により、K-PGDによるロバスト化モデルが、研究された攻撃に耐えられることを示した。
論文 参考訳（メタデータ） (2022-08-23T07:08:54Z) - Adversarially Robust One-class Novelty Detection [83.1570537254877]
既存のノベルティ検出器は敵の例に感受性があることが示される。
本稿では, 新規性検知器の潜伏空間を制御し, 敵に対する堅牢性を向上する防衛戦略を提案する。
論文 参考訳（メタデータ） (2021-08-25T10:41:29Z) - A Sensor Fusion-based GNSS Spoofing Attack Detection Framework for
Autonomous Vehicles [4.947150829838588]
本稿では,センサフュージョンをベースとしたGNSS(Global Navigation Satellite System)スプーフィング攻撃検出フレームワークを提案する。
複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。
我々は,k-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて,左旋回と右旋回を検出・分類した。
論文 参考訳（メタデータ） (2021-08-19T11:59:51Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Real-Time Detectors for Digital and Physical Adversarial Inputs to
Perception Systems [11.752184033538636]
ディープニューラルネットワーク(DNN)モデルは、敵のデジタルおよび物理的攻撃に対して脆弱であることが証明されている。
そこで本研究では,DNNに基づく認識システムに対する敵対的入力の両タイプに対して,新たな攻撃・データセット非依存・リアルタイム検出手法を提案する。
特に、提案した検出器は、逆画像が特定のラベル不変変換に敏感であるという観察に依存している。
論文 参考訳（メタデータ） (2020-02-23T00:03:57Z) - Pelican: A Deep Residual Network for Network Intrusion Detection [7.562843347215287]
我々は、特別に設計された残留ブロックの上に構築されたディープニューラルネットワークであるペリカンを提案する。
ペリカンは、非常に低い誤報率を維持しながら、高い攻撃検出性能を達成することができる。
論文 参考訳（メタデータ） (2020-01-19T05:07:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。