Fugu-MT 論文翻訳(概要): Deep-RBF Networks for Anomaly Detection in Automotive Cyber-Physical Systems

論文の概要: Deep-RBF Networks for Anomaly Detection in Automotive Cyber-Physical Systems

arxiv url: http://arxiv.org/abs/2103.14172v1
Date: Thu, 25 Mar 2021 23:10:32 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 12:57:29.538972
Title: Deep-RBF Networks for Anomaly Detection in Automotive Cyber-Physical Systems
Title（参考訳）: 自動車のサイバー物理システムにおける異常検出のためのディープRBFネットワーク
Authors: Matthew Burruss, Shreyas Ramakrishna and Abhishek Dubey
Abstract要約: 連続的なステアリング予測などのCPS回帰タスクにおける異常の検出にディープRBFネットワークをどのように使用できるかを示す。以上の結果から,深部RBFネットワークは,追加のリソースを必要としない短時間でこれらの攻撃を確実に検出できることが示唆された。
参考スコア（独自算出の注目度）: 1.8692254863855962
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Neural Networks (DNNs) are popularly used for implementing autonomy related tasks in automotive Cyber-Physical Systems (CPSs). However, these networks have been shown to make erroneous predictions to anomalous inputs, which manifests either due to Out-of-Distribution (OOD) data or adversarial attacks. To detect these anomalies, a separate DNN called assurance monitor is often trained and used in parallel to the controller DNN, increasing the resource burden and latency. We hypothesize that a single network that can perform controller predictions and anomaly detection is necessary to reduce the resource requirements. Deep-Radial Basis Function (RBF) networks provide a rejection class alongside the class predictions, which can be utilized for detecting anomalies at runtime. However, the use of RBF activation functions limits the applicability of these networks to only classification tasks. In this paper, we show how the deep-RBF network can be used for detecting anomalies in CPS regression tasks such as continuous steering predictions. Further, we design deep-RBF networks using popular DNNs such as NVIDIA DAVE-II, and ResNet20, and then use the resulting rejection class for detecting adversarial attacks such as a physical attack and data poison attack. Finally, we evaluate these attacks and the trained deep-RBF networks using a hardware CPS testbed called DeepNNCar and a real-world German Traffic Sign Benchmark (GTSB) dataset. Our results show that the deep-RBF networks can robustly detect these attacks in a short time without additional resource requirements.
Abstract（参考訳）: ディープニューラルネットワーク(Deep Neural Networks, DNN)は、自動車用サイバー物理システム(CPS)における自律性関連タスクの実装に広く使われている。しかし、これらのネットワークは異常な入力に対して誤った予測をすることを示しており、これはアウト・オブ・ディストリビューション(OOD)データや敵攻撃によるものである。これらの異常を検出するために、Asurance Monitorと呼ばれる別のDNNがしばしば訓練され、コントローラDNNと並行して使用される。リソース要求の削減には,コントローラの予測と異常検出が可能な単一のネットワークが必要であると仮定する。 Deep-Radial Basis Function (RBF)ネットワークは、クラス予測と並行して拒否クラスを提供し、実行時に異常を検出するために使用できる。しかし、RBFアクティベーション関数の使用は、これらのネットワークの適用性を分類タスクのみに制限する。本稿では,連続ステアリング予測などのcps回帰タスクにおける異常検出にdeep-rbfネットワークをどのように利用できるかを示す。さらに,NVIDIA DAVE-II や ResNet20 などの一般的な DNN を用いて深部RBF ネットワークを設計し,物理攻撃やデータ中毒攻撃などの敵攻撃を検出するための拒否クラスを用いた。最後に、DeepNNCarと呼ばれるハードウェアCPSテストベッドと実際のドイツ交通信号ベンチマーク(GTSB)データセットを用いて、これらの攻撃と訓練されたディープRBFネットワークを評価する。以上の結果から,深部RBFネットワークは,これらの攻撃を短時間で検出できることがわかった。

関連論文リスト

Investigating Application of Deep Neural Networks in Intrusion Detection System Design [0.0]
研究の目的は、ディープニューラルネットワーク(DNN)のアプリケーションが、悪意のあるネットワーク侵入を正確に検出し、特定できるかどうかを学習することである。実験結果は,ネットワーク侵入の分類を正確に正確に識別するためのモデルのサポートを示さなかった。
論文参考訳（メタデータ） (2025-01-27T04:06:30Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
ARCADE: Adversarially Regularized Convolutional Autoencoder for Network Anomaly Detection [0.0]
ARCADEと呼ばれる、教師なしの異常に基づくディープラーニング検出システム。リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ(AE)を提案する。
論文参考訳（メタデータ） (2022-05-03T11:47:36Z)
Towards Evaluating and Training Verifiably Robust Neural Networks [81.39994285743555]
We study the relationship between IBP and CROWN, and prove that CROWN are always tight than IBP when select each bounding lines。線形結合伝播(LBP) CROWNの緩やかなバージョンを提案する。これは、大きなネットワークを検証して、より低い検証エラーを得るのに使用できる。
論文参考訳（メタデータ） (2021-04-01T13:03:48Z)
BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文参考訳（メタデータ） (2021-03-14T20:43:19Z)
TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文参考訳（メタデータ） (2021-03-10T19:03:38Z)
Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。 GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
論文参考訳（メタデータ） (2021-02-22T16:42:37Z)
Towards Adversarial-Resilient Deep Neural Networks for False Data Injection Attack Detection in Power Grids [7.351477761427584]
偽データインジェクション攻撃(FDIA)は、電力システムの状態推定に重大なセキュリティ上の脅威をもたらす。最近の研究では、機械学習(ML)技術、特にディープニューラルネットワーク(DNN)が提案されている。
論文参考訳（メタデータ） (2021-02-17T22:26:34Z)
Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文参考訳（メタデータ） (2020-09-25T17:48:43Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
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。