Fugu-MT 論文翻訳(概要): TENET: Temporal CNN with Attention for Anomaly Detection in Automotive Cyber-Physical Systems

論文の概要: TENET: Temporal CNN with Attention for Anomaly Detection in Automotive Cyber-Physical Systems

arxiv url: http://arxiv.org/abs/2109.04565v1
Date: Thu, 9 Sep 2021 21:22:14 GMT
ステータス: 処理完了
システム内更新日: 2021-09-13 13:39:00.224390
Title: TENET: Temporal CNN with Attention for Anomaly Detection in Automotive Cyber-Physical Systems
Title（参考訳）: TENET: 自動車のサイバー物理システムにおける異常検出を意識した時間CNN
Authors: S. V. Thiruloga, V. K. Kukkala, S. Pasricha
Abstract要約: 本稿では,車両のサイバー攻撃による異常を検出するための,TENETと呼ばれる新しい異常検出フレームワークを提案する。 TENETは、時間的畳み込みニューラルネットワークと注意機構を統合して、異常な攻撃パターンを検出する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Modern vehicles have multiple electronic control units (ECUs) that are connected together as part of a complex distributed cyber-physical system (CPS). The ever-increasing communication between ECUs and external electronic systems has made these vehicles particularly susceptible to a variety of cyber-attacks. In this work, we present a novel anomaly detection framework called TENET to detect anomalies induced by cyber-attacks on vehicles. TENET uses temporal convolutional neural networks with an integrated attention mechanism to detect anomalous attack patterns. TENET is able to achieve an improvement of 32.70% in False Negative Rate, 19.14% in the Mathews Correlation Coefficient, and 17.25% in the ROC-AUC metric, with 94.62% fewer model parameters, 86.95% decrease in memory footprint, and 48.14% lower inference time when compared to the best performing prior work on automotive anomaly detection.
Abstract（参考訳）: 現代の車両には、複合分散サイバー物理システム(CPS)の一部として接続される複数の電子制御ユニット(ECU)がある。 ECUと外部電子システムとの通信が絶え間なく増加することで、これらの車両は特に様々なサイバー攻撃を受けやすくなっている。本研究では,車両のサイバー攻撃による異常を検出するためのTENETと呼ばれる新しい異常検出フレームワークを提案する。 TENETは、時間畳み込みニューラルネットワークと注意機構を統合して、異常な攻撃パターンを検出する。 tenetは偽陰性率32.70%、マシューズ相関係数19.14%、roc-aucメトリック17.25%の改善を達成でき、モデルパラメータ94.62%減少、メモリフットプリント86.95%減少、自動車異常検出における最善の先行研究と比較すると48.14%減少している。

関連論文リスト

MDHP-Net: Detecting Injection Attacks on In-vehicle Network using Multi-Dimensional Hawkes Process and Temporal Model [44.356505647053716]
本稿では、インジェクションアタックとして知られる特定のタイプのサイバーアタックについて考察する。これらのインジェクション攻撃は時間の経過とともに効果があり、徐々にネットワークトラフィックを操作し、車両の正常な機能を破壊している。本稿では,MDHP-LSTMブロックに最適なMDHPパラメータを組み込んだインジェクション攻撃検出器MDHP-Netを提案する。
論文参考訳（メタデータ） (2024-11-15T15:05:01Z)
Field Testing and Detection of Camera Interference for Autonomous Driving [3.3148826359547514]
本研究は,新しいGRUベースのIDSを用いて,自動車用イーサネット駆動環境におけるカメラ干渉攻撃(CIA)の検出について検討する。我々のIDSはパケット長列を効果的に解析し、正常なデータ伝送と異常なデータ転送を区別する。
論文参考訳（メタデータ） (2024-08-08T15:24:19Z)
Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。提案モデルの精度は98.42%,最小損失は0.0275である。
論文参考訳（メタデータ） (2024-05-28T22:12:15Z)
A Framework for the Systematic Assessment of Anomaly Detectors in Time-Sensitive Automotive Networks [0.4077787659104315]
本稿では,異常検出アルゴリズムの再現性,比較性,迅速な評価を可能にするアセスメントフレームワークを提案する。実例検出機構を評価し,TSNトラフィックフローと異常型の組み合わせによって検出性能がどう影響するかを明らかにする。
論文参考訳（メタデータ） (2024-05-02T14:29:42Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
論文参考訳（メタデータ） (2023-02-02T13:41:18Z)
Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文参考訳（メタデータ） (2022-08-31T18:19:25Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
LATTE: LSTM Self-Attention based Anomaly Detection in Embedded Automotive Platforms [4.286327408435937]
本稿では,制御エリアネットワーク(CAN)をベースとした自動車プラットフォーム内のサイバー攻撃を検出するための,LATTEと呼ばれる新しい異常検出フレームワークを提案する。提案するLATTEフレームワークは,設計時の通常の動作を学習するために,新しいアテンション機構を備えたLong Short Term Memory(LSTM)予測ネットワークを用いている。提案するLATTEフレームワークを、異なる自動車攻撃シナリオ下で評価し、この分野でよく知られた先行研究と比較した。
論文参考訳（メタデータ） (2021-07-12T16:32:47Z)
MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet of Vehicles [12.280524044112708]
車両ネットワークに対する既知の攻撃と未知の攻撃の両方を検出するために,ハイブリッド侵入検知システム (IDS) を提案する。提案システムは,CAN-Intrusion-datasetにおいて,99.99%の精度で様々な種類の既知の攻撃を検出できる。車両レベルのマシン上の各データパケットの平均処理時間は0.6ms未満である。
論文参考訳（メタデータ） (2021-05-26T17:36:35Z)
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)

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。