論文の概要: MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual
Variational Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2311.02378v1
- Date: Sat, 4 Nov 2023 11:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 17:55:58.402270
- Title: MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual
Variational Generative Adversarial Network
- Title（参考訳）: MTS-DVGAN:二変量生成対向ネットワークを用いたサイバー物理システムにおける異常検出
- Authors: Haili Sun, Yan Huang, Lansheng Han, Cai Fu, Hongle Liu, Xiang Long
- Abstract要約: 深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。
本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。
中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
- 参考スコア（独自算出の注目度）: 7.889342625283858
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep generative models are promising in detecting novel cyber-physical
attacks, mitigating the vulnerability of Cyber-physical systems (CPSs) without
relying on labeled information. Nonetheless, these generative models face
challenges in identifying attack behaviors that closely resemble normal data,
or deviate from the normal data distribution but are in close proximity to the
manifold of the normal cluster in latent space. To tackle this problem, this
article proposes a novel unsupervised dual variational generative adversarial
model named MST-DVGAN, to perform anomaly detection in multivariate time series
data for CPS security. The central concept is to enhance the model's
discriminative capability by widening the distinction between reconstructed
abnormal samples and their normal counterparts. Specifically, we propose an
augmented module by imposing contrastive constraints on the reconstruction
process to obtain a more compact embedding. Then, by exploiting the
distribution property and modeling the normal patterns of multivariate time
series, a variational autoencoder is introduced to force the generative
adversarial network (GAN) to generate diverse samples. Furthermore, two
augmented loss functions are designed to extract essential characteristics in a
self-supervised manner through mutual guidance between the augmented samples
and original samples. Finally, a specific feature center loss is introduced for
the generator network to enhance its stability. Empirical experiments are
conducted on three public datasets, namely SWAT, WADI and NSL_KDD. Comparing
with the state-of-the-art methods, the evaluation results show that the
proposed MTS-DVGAN is more stable and can achieve consistent performance
improvement.
- Abstract（参考訳）: 深層生成モデルは、ラベル付き情報に頼ることなくサイバーフィジカルシステム(cpss)の脆弱性を緩和し、新しいサイバーフィジカル攻撃を検出することを約束している。
それでもこれらの生成モデルは、通常のデータによく似た攻撃行動を識別したり、通常のデータ分布から逸脱するが、潜在空間における通常のクラスタの多様体に近い攻撃行動を特定するという課題に直面している。
そこで本論文では,MST-DVGAN と呼ばれる非教師付き二重変動生成逆数モデルを提案し,CPS セキュリティのための多変量時系列データにおける異常検出を行う。
中心となる概念は、再構成された異常サンプルと通常のサンプルとの区別を広げることで、モデルの識別能力を高めることである。
具体的には,よりコンパクトな組込みを得るために,コントラスト制約を再構成プロセスに課すことで拡張モジュールを提案する。
次に,多変量時系列の分布特性を利用して正規パターンをモデル化することにより,GAN(Generative Adversarial Network)を強制的に生成する変動オートエンコーダを導入する。
さらに,2つの拡張損失関数は,拡張サンプルと原サンプルの相互誘導により,自己監督的な本質的な特徴を抽出するように設計されている。
最後に、ジェネレータネットワークの安定性を高めるために、特定の特徴中心損失を導入する。
SWAT、WADI、NSL_KDDという3つの公開データセットで実証実験を行った。
その結果,MTS-DVGANの安定性が向上し,一貫した性能向上が達成できた。
関連論文リスト
- GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。
GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。
実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
論文 参考訳（メタデータ） (2025-02-12T10:10:04Z) - Protect Before Generate: Error Correcting Codes within Discrete Deep Generative Models [3.053842954605396]
本稿では,離散潜在変数モデルにおける変分推論を強化する新しい手法を提案する。
我々は誤り訂正符号(ECC)を活用し、潜伏表現に冗長性を導入する。
この冗長性は変分後部によって利用され、より正確な推定値が得られる。
論文 参考訳（メタデータ） (2024-10-10T11:59:58Z) - Comprehensive Botnet Detection by Mitigating Adversarial Attacks, Navigating the Subtleties of Perturbation Distances and Fortifying Predictions with Conformal Layers [1.6001193161043425]
ボットネット(Botnet)は、悪意あるアクターによって制御されるコンピュータネットワークで、重要なサイバーセキュリティ上の課題を提示する。
本研究は、機械学習ベースのボットネット検出システムを弱体化させることを目的として、攻撃者が引き起こす高度な敵操作に対処する。
ISCXデータセットとISOTデータセットに基づいてトレーニングされた機械学習とディープラーニングアルゴリズムを活用するフローベース検出アプローチを導入する。
論文 参考訳（メタデータ） (2024-09-01T08:53:21Z) - Dual adversarial and contrastive network for single-source domain generalization in fault diagnosis [1.9389881806157316]
本稿では,単一ソース領域の一般化故障診断のための二重対角コントラストネットワーク(DAC)を提案する。
DACの主な考え方は、多様なサンプル特徴を生成し、ドメイン不変の特徴表現を抽出することである。
テネシー・イーストマン・プロセスと連続旋回タンク・リアクターの実験は、DACが目に見えないモードで高い分類精度を達成することを示した。
論文 参考訳（メタデータ） (2024-07-19T02:06:41Z) - Controlling the Fidelity and Diversity of Deep Generative Models via Pseudo Density [70.14884528360199]
本稿では, GAN や拡散モデルなどのバイアス深層生成モデルへのアプローチを導入し, 忠実度の向上や多様性の向上を図ったデータ生成手法を提案する。
提案手法では, 擬似密度という, 個人サンプルの新たな測定基準を用いて, トレーニングとデータ生成の分布を操作する。
論文 参考訳（メタデータ） (2024-07-11T16:46:04Z) - USD: Unsupervised Soft Contrastive Learning for Fault Detection in Multivariate Time Series [6.055410677780381]
本研究では,データ拡張とソフトコントラスト学習の組み合わせを導入し,より正確に状態行動の多面的特性を捉えることを目的としている。
この二重戦略は、正常な状態と異常な状態を区別するモデルの能力を著しく向上させ、複数のデータセットと設定で障害検出性能が著しく向上する。
論文 参考訳（メタデータ） (2024-05-25T14:48:04Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳（メタデータ） (2023-12-26T07:08:06Z) - 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) - on the effectiveness of generative adversarial network on anomaly
detection [1.6244541005112747]
GANは、実際のトレーニング分布を特定するために、これらのモデルのリッチなコンテキスト情報に依存している。
本稿では,自動エンコーダとGANを組み合わせた新しい教師なしモデルを提案する。
識別器の内部表現と生成器の視覚表現の線形結合と、オートエンコーダの符号化表現とを組み合わせて、提案した異常スコアを定義する。
論文 参考訳（メタデータ） (2021-12-31T16:35:47Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。