論文の概要: Resilient Machine Learning for Networked Cyber Physical Systems: A Survey for Machine Learning Security to Securing Machine Learning for CPS

• arxiv url: http://arxiv.org/abs/2102.07244v1
• Date: Sun, 14 Feb 2021 20:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-16 16:00:49.033510
• Title: Resilient Machine Learning for Networked Cyber Physical Systems: A Survey for Machine Learning Security to Securing Machine Learning for CPS
• Title（参考訳）: ネットワーク化されたサイバー物理システムのためのレジリエントな機械学習:cpsのための機械学習のセキュリティに関する調査
• Authors: Felix Olowononi and Danda B. Rawat and Chunmei Liu
• Abstract要約: サイバー物理システム(CPS)は、物理と情報の世界を統合する能力によって特徴付けられる。 CPSにおけるサイバー上の関心の引き金は、センサから無線通信媒体を介してアクチュエータに情報を送信するプロセスから生じる。 敵対者の増加の世界では、CPSが敵対攻撃から完全に防ぐことがますます困難になっています。 レジリエントなCPSは障害に耐え、敵の操作にもかかわらず機能するように設計されている。
• 参考スコア（独自算出の注目度）: 3.5643245407473545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cyber Physical Systems (CPS) are characterized by their ability to integrate the physical and information or cyber worlds. Their deployment in critical infrastructure have demonstrated a potential to transform the world. However, harnessing this potential is limited by their critical nature and the far reaching effects of cyber attacks on human, infrastructure and the environment. An attraction for cyber concerns in CPS rises from the process of sending information from sensors to actuators over the wireless communication medium, thereby widening the attack surface. Traditionally, CPS security has been investigated from the perspective of preventing intruders from gaining access to the system using cryptography and other access control techniques. Most research work have therefore focused on the detection of attacks in CPS. However, in a world of increasing adversaries, it is becoming more difficult to totally prevent CPS from adversarial attacks, hence the need to focus on making CPS resilient. Resilient CPS are designed to withstand disruptions and remain functional despite the operation of adversaries. One of the dominant methodologies explored for building resilient CPS is dependent on machine learning (ML) algorithms. However, rising from recent research in adversarial ML, we posit that ML algorithms for securing CPS must themselves be resilient. This paper is therefore aimed at comprehensively surveying the interactions between resilient CPS using ML and resilient ML when applied in CPS. The paper concludes with a number of research trends and promising future research directions. Furthermore, with this paper, readers can have a thorough understanding of recent advances on ML-based security and securing ML for CPS and countermeasures, as well as research trends in this active research area.
• Abstract（参考訳）: サイバー物理システム(CPS)は、物理的および情報またはサイバー世界を統合する能力によって特徴付けられる。 彼らの重要なインフラへの展開は、世界を変える可能性を実証した。 しかし、この可能性を活用することは、その批判的な性質と、人、インフラ、環境に対するサイバー攻撃の影響によって制限される。 CPSにおけるサイバー上の関心の引き金は、センサから無線通信媒体を介してアクチュエータに情報を送信し、攻撃面を広げることから生じる。 伝統的に、CPSセキュリティは、侵入者が暗号やその他のアクセス制御技術を使ってシステムにアクセスするのを防ぐ観点から調査されてきた。 したがって、ほとんどの研究はCPSにおける攻撃の検出に焦点を当てている。 しかし, 敵意識が高まる中では, cpsによる攻撃を完全に防ぐことが難しくなってきているため, cpsの回復性に重点を置く必要がある。 レジリエントなCPSは障害に耐え、敵の操作にもかかわらず機能するように設計されている。 レジリエントなCPSを構築するための主要な手法の1つは、機械学習(ML)アルゴリズムに依存している。 しかし、近年の敵対的MLの研究から、CPSを確保するためのMLアルゴリズム自体が回復力があることが示唆された。 そこで本論文では,CPSにおけるレジリエントCPSとレジリエントMLの相互作用を総合的に調査する。 論文は、多くの研究動向と今後の研究方向性で締めくくっている。 さらに,本論文では,MLベースのセキュリティの最近の進歩と,CPSと対策のためのMLの確保,および本研究領域における研究動向について,読者の理解を深めることができる。

関連論文リスト

• A Survey of Anomaly Detection in Cyber-Physical Systems [1.2891210250935148]
  本稿では,CPSにおける異常検出に対する研究者のアプローチについて概説する。 機械学習、ディープラーニング、数学的モデル、不変量、ハイブリッド技術などの手法を分類し比較する。 私たちのゴールは、読者がこれらの手法の長所と短所を理解し、より安全で信頼性の高いCPSを作成する方法を理解することです。
  論文  参考訳（メタデータ） (2025-02-18T19:38:18Z)
• Counter Denial of Service for Next-Generation Networks within the Artificial Intelligence and Post-Quantum Era [2.156208381257605]
  DoS攻撃はますます洗練され、容易に実行できるようになった。 最先端の体系化の取り組みには、孤立したDoS対策のような制限がある。 量子コンピュータの出現は、攻撃と防御の観点からのDoSのゲームチェンジャーである。
  論文  参考訳（メタデータ） (2024-08-08T18:47:31Z)
• Security Modelling for Cyber-Physical Systems: A Systematic Literature Review [7.3347982474177185]
  サイバー物理システム(サイバー物理システム、CPS)は、デジタル技術とエンジニアリング分野の交差点にある。 CPSに対する主要なサイバーセキュリティ攻撃は、これらのシステムの脆弱性に注意を向けている。 この文献は、CPSセキュリティモデリングの最先端の研究を精査し、脅威と攻撃モデリングの両方を包含している。
  論文  参考訳（メタデータ） (2024-04-11T07:41:36Z)
• The Role of Deep Learning in Advancing Proactive Cybersecurity Measures for Smart Grid Networks: A Survey [1.0589208420411014]
  本研究では,スマートグリッドにおけるディープラーニング(DL)を活用した積極的なサイバー防御戦略について検討する。 DL対応のプロアクティブディフェンスに焦点が当てられ、SGのプロアクティブディフェンスにおける役割と関連性を強調している。 調査では,DLベースのセキュリティシステムをSG内に展開する上での課題がリストアップされている。
  論文  参考訳（メタデータ） (2024-01-11T13:14:40Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Graph Mining for Cybersecurity: A Survey [61.505995908021525]
  マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。 従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。 グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
  論文  参考訳（メタデータ） (2023-04-02T08:43:03Z)
• A Survey on Cyber-Resilience Approaches for Cyber-Physical Systems [0.4056667956036515]
  重要なインフラにおけるサイバー物理システムのレジリエンスに関する懸念が高まっている。 サイバーレジリエンス(サイバーレジリエンス)は、CPSの中核機能を維持することでCPSの生存を確保することを目的としている。 我々は,サイバーレジリエンスに対処する最近の文献を,CPSで使用される技術に焦点をあてて,体系的に調査する。
  論文  参考訳（メタデータ） (2023-02-10T18:03:20Z)
• Physical Adversarial Attack meets Computer Vision: A Decade Survey [55.38113802311365]
  本稿では,身体的敵意攻撃の概要を概観する。 本研究は,身体的敵意攻撃の性能を体系的に評価する第一歩を踏み出した。 提案する評価基準であるhiPAAは6つの視点から構成される。
  論文  参考訳（メタデータ） (2022-09-30T01:59:53Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• SHARKS: Smart Hacking Approaches for RisK Scanning in Internet-of-Things and Cyber-Physical Systems based on Machine Learning [5.265938973293016]
  サイバー物理システム(CPS)とIoT(Internet-of-Things)デバイスは、ますます複数の機能にわたってデプロイされている。 これらのデバイスは、本質的にソフトウェア、ハードウェア、ネットワークスタック全体にわたって安全ではない。 本稿では,未知のシステム脆弱性の検出,脆弱性の管理,インシデント対応の改善のための革新的な手法を提案する。
  論文  参考訳（メタデータ） (2021-01-07T22:01:30Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
  本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。 サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
  論文  参考訳（メタデータ） (2020-07-05T18:22:40Z)

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。