論文の概要: TFDPM: Attack detection for cyber-physical systems with diffusion probabilistic models

• arxiv url: http://arxiv.org/abs/2112.10774v1
• Date: Mon, 20 Dec 2021 13:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:23:17.294530
• Title: TFDPM: Attack detection for cyber-physical systems with diffusion probabilistic models
• Title（参考訳）: TFDPM:拡散確率モデルを用いたサイバー物理システムの攻撃検出
• Authors: Tijin Yan, Tong Zhou, Yufeng Zhan, Yuanqing Xia
• Abstract要約: CPSにおける攻撃検出タスクの一般的なフレームワークであるTFDPMを提案する。 履歴データから時間パターンと特徴パターンを同時に抽出する。 ノイズスケジューリングネットワークは、検出速度を3倍に向上させる。
• 参考スコア（独自算出の注目度）: 10.389972581904999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of AIoT, data-driven attack detection methods for cyber-physical systems (CPSs) have attracted lots of attention. However, existing methods usually adopt tractable distributions to approximate data distributions, which are not suitable for complex systems. Besides, the correlation of the data in different channels does not attract sufficient attention. To address these issues, we use energy-based generative models, which are less restrictive on functional forms of the data distribution. In addition, graph neural networks are used to explicitly model the correlation of the data in different channels. In the end, we propose TFDPM, a general framework for attack detection tasks in CPSs. It simultaneously extracts temporal pattern and feature pattern given the historical data. Then extract features are sent to a conditional diffusion probabilistic model. Predicted values can be obtained with the conditional generative network and attacks are detected based on the difference between predicted values and observed values. In addition, to realize real-time detection, a conditional noise scheduling network is proposed to accelerate the prediction process. Experimental results show that TFDPM outperforms existing state-of-the-art attack detection methods. The noise scheduling network increases the detection speed by three times.
• Abstract（参考訳）: AIoTの開発に伴い、サイバー物理システム(CPS)に対するデータ駆動攻撃検出手法が注目されている。 しかし、既存の手法は通常、複雑なシステムには適さない近似データ分布に対して扱いやすい分布を採用する。 さらに、異なるチャネルにおけるデータの相関は十分な注意を引き付けない。 これらの問題に対処するために、エネルギーベースの生成モデルを使用し、これはデータ分布の関数形式に制約を受けない。 さらに、グラフニューラルネットワークを使用して、異なるチャネル内のデータの相関を明示的にモデル化する。 最後に,CPSにおける攻撃検出タスクの一般的なフレームワークであるTFDPMを提案する。 履歴データから時間パターンと特徴パターンを同時に抽出する。 次に、抽出特徴を条件拡散確率モデルに送信する。 条件生成ネットワークを用いて予測値を得ることができ、予測値と観測値との差に基づいて攻撃を検出する。 さらに,実時間検出を実現するために,予測処理を高速化する条件付きノイズスケジューリングネットワークを提案する。 実験の結果,TFDPMは既存の攻撃検出方法よりも優れていた。 ノイズスケジューリングネットワークは、検出速度を3倍に向上させる。

関連論文リスト

• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
  本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。 選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。 我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
  論文  参考訳（メタデータ） (2022-10-19T21:27:25Z)
• DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
  我々は,GANに基づく異常検出フレームワークDEGANを提案する。 これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
  論文  参考訳（メタデータ） (2022-10-05T04:32:12Z)
• A Novel Explainable Out-of-Distribution Detection Approach for Spiking Neural Networks [6.100274095771616]
  この研究は、スパイキングニューラルネットワークに入力されたテスト例がトレーニングされたデータの分布に属するかどうかを識別できる新しいOoD検出器を提案する。 我々は、スパイクカウントパターンの形で、ネットワークの隠蔽層の内部活性化を特徴付ける。 入力インスタンスのどの部分が最もOoDサンプルとして検出されるかを明らかにする属性マップを作成するために,局所的な説明法が考案された。
  論文  参考訳（メタデータ） (2022-09-30T11:16:35Z)
• CODiT: Conformal Out-of-Distribution Detection in Time-Series Data [11.565104282674973]
  多くの応用において、機械学習モデルへの入力は時間列を形成する。 共形異常検出フレームワークにおける非整合性尺度として,非分布時間同値からの偏差を用いる。 自律運転におけるコンピュータビジョンデータセットにおける最先端結果の達成によるCODiTの有効性について述べる。
  論文  参考訳（メタデータ） (2022-07-24T16:41:14Z)
• Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
  多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。 このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。 異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
  論文  参考訳（メタデータ） (2022-02-25T01:50:22Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
  Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。 さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
  論文  参考訳（メタデータ） (2021-07-07T22:20:24Z)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。