Fugu-MT 論文翻訳(概要): Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning on CAN Messages

論文の概要: Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning on CAN Messages

arxiv url: http://arxiv.org/abs/2311.07056v1
Date: Mon, 13 Nov 2023 03:49:55 GMT
ステータス: 処理完了
システム内更新日: 2023-11-14 15:38:33.800709
Title: Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning on CAN Messages
Title（参考訳）: CANメッセージを用いた多視点統計グラフ学習による車内侵入検出
Authors: Kai Wang, Qiguang Jiang, Bailing Wang, Yongzheng Zhang, Yulei Wu
Abstract要約: 車両内ネットワーク(IVN)は、様々な複雑な外部サイバー攻撃に直面している。現在の主流侵入検知機構では、粗粒度しか認識できない。本稿では,多視点統計グラフ学習の効果的な侵入検出法であるStatGraphを提案する。
参考スコア（独自算出の注目度）: 9.04771951523525
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As an important component of internet of vehicles (IoV), intelligent connected vehicles (ICVs) have to communicate with external networks frequently. In this case, the resource-constrained in-vehicle network (IVN) is facing a wide variety of complex and changing external cyber-attacks, especially the masquerade attack with high difficulty of detection while serious damaging effects that few counter measures can identify successfully. Moreover, only coarse-grained recognition can be achieved in current mainstream intrusion detection mechanisms, i.e., whether a whole data flow observation window contains attack labels rather than fine-grained recognition on every single data item within this window. In this paper, we propose StatGraph: an Effective Multi-view Statistical Graph Learning Intrusion Detection to implement the fine-grained intrusion detection. Specifically, StatGraph generates two statistical graphs, timing correlation graph (TCG) and coupling relationship graph (CRG), based on data streams. In given message observation windows, edge attributes in TCGs represent temporal correlation between different message IDs, while edge attributes in CRGs denote the neighbour relationship and contextual similarity. Besides, a lightweight shallow layered GCN network is trained based graph property of TCGs and CRGs, which can learn the universal laws of various patterns more effectively and further enhance the performance of detection. To address the problem of insufficient attack types in previous intrusion detection, we select two real in-vehicle CAN datasets that cover four new attacks never investigated before. Experimental result shows StatGraph improves both detection granularity and detection performance over state-of-the-art intrusion detection methods.
Abstract（参考訳）: 車両のインターネット(IoV)の重要な構成要素として、インテリジェントコネクテッドカー(ICV)は外部ネットワークと頻繁に通信する必要がある。この場合、資源制約された車内ネットワーク(IVN)は、様々な複雑さに直面し、外部のサイバー攻撃、特にマスクレード攻撃は検出が困難であり、また、対策がほとんどない深刻な損傷効果がある。さらに、現在の主流の侵入検知機構、すなわち、このウィンドウ内のすべてのデータ項目に対してきめ細かい認識を行うのではなく、全データフロー観察ウィンドウが攻撃ラベルを含むかどうかにおいて、粗い粒度のみを認識できる。本稿では,詳細な侵入検出を実現するための,多視点統計的グラフ学習侵入検出手法StatGraphを提案する。具体的には、データストリームに基づく2つの統計グラフ、タイミング相関グラフ(TCG)と結合関係グラフ(CRG)を生成する。与えられたメッセージ観察ウィンドウでは、TCGのエッジ属性は異なるメッセージID間の時間的相関を表し、CRGのエッジ属性は隣接する関係とコンテキスト的類似を示す。さらに,TCGとCRGのグラフ特性に基づいて軽量な層状GCNネットワークを訓練し,様々なパターンの普遍的な法則をより効果的に学習し,検出性能を向上させる。前回の侵入検知において攻撃型が不十分な問題に対処するために,これまで調査されなかった4つの新しい攻撃をカバーする2つの実車載canデータセットを選択した。実験の結果,StatGraphは最先端の侵入検知法よりも検出粒度と検出性能が向上した。

関連論文リスト

Detecting Masquerade Attacks in Controller Area Networks Using Graph Machine Learning [0.2812395851874055]
本稿では,グラフ機械学習(ML)を用いたCANバスにおけるマスクレード攻撃検出のための新しいフレームワークを提案する。本稿では,CANバスフレームをメッセージシーケンスグラフ(MSG)として表現し,時系列からコンテキスト統計属性を付加することにより,検出能力を向上できることを示す。提案手法は,CANフレームの相互作用を包括的かつ動的に解析し,ロバスト性や効率性を向上する。
論文参考訳（メタデータ） (2024-08-10T04:17:58Z)
EG-ConMix: An Intrusion Detection Method based on Graph Contrastive Learning [4.140068761522124]
本稿では,E-GraphSAGEに基づくEG-ConMix方式を提案する。 EG-ConMixは、大規模グラフのトレーニング速度と精度において大きな利点がある。
論文参考訳（メタデータ） (2024-03-24T04:09:48Z)
Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文参考訳（メタデータ） (2024-01-24T03:43:45Z)
Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。 EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
論文参考訳（メタデータ） (2023-10-26T12:30:11Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
EDoG: Adversarial Edge Detection For Graph Neural Networks [17.969573886307906]
グラフニューラルネットワーク(GNN)は、バイオインフォマティクス、薬物設計、ソーシャルネットワークといった様々なタスクに広く応用されている。近年の研究では、GNNは、微妙な摂動を加えることでノードやサブグラフの分類予測を誤認することを目的とした敵攻撃に弱いことが示されている。本稿では,グラフ生成に基づく攻撃戦略の知識を必要とせず,汎用対向エッジ検出パイプラインEDoGを提案する。
論文参考訳（メタデータ） (2022-12-27T20:42:36Z)
Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文参考訳（メタデータ） (2022-01-15T01:54:25Z)
Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文参考訳（メタデータ） (2021-10-04T03:42:09Z)
Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文参考訳（メタデータ） (2021-04-17T20:00:40Z)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。