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

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

arxiv url: http://arxiv.org/abs/2311.07056v2
Date: Tue, 25 Mar 2025 09:44:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-26 16:50:05.204089
Title: STATGRAPH: Effective In-vehicle Intrusion Detection via Multi-view Statistical Graph Learning
Title（参考訳）: STATGRAPH: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, Yulei Wu, Hongke Zhang,
Abstract要約: STATGRAPHは、車載ネットワーク(IVN)セキュリティサービスのための、効果的できめ細かな侵入検出手法である。 CANメッセージ検出ウィンドウに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。様々なパターンの普遍的な法則をより効果的に学習し、検出性能をさらに向上させる。
参考スコア（独自算出の注目度）: 8.494964689206432
License:
Abstract: In-vehicle network (IVN) is facing complex external cyber-attacks, especially the emerging masquerade attacks with extremely high difficulty of detection while serious damaging effects. In this paper, we propose the STATGRAPH, which is an effective and fine-grained intrusion detection methodology for IVN security services via multi-view statistical graph learning on in-vehicle controller area network (CAN) messages with insight into their variations in periodicity, payload and signal combinations. Specifically, STATGRAPH generates two statistical graphs, timing correlation graph (TCG) and coupling relationship graph (CRG), in every CAN message detection window, where 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 graph convolution network is trained based on graph property of TCGs and CRGs, which learns 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 covering five new instances of sophisticated and stealthy masquerade attacks that are never investigated before. Experimental result shows STATGRAPH improves both detection granularity and detection performance over state-of-the-art intrusion detection methods. Code is available at https://github.com/wangkai-tech23/StatGraph.
Abstract（参考訳）: 車両内ネットワーク(IVN)は複雑な外部サイバー攻撃に直面している。本稿では,車載コントローラエリアネットワーク(CAN)上の多視点統計グラフ学習を用いて,周期性,ペイロード,信号の組み合わせの変動を把握した,IVNセキュリティサービスの侵入検出手法であるSTATGRAPHを提案する。具体的には, タイミング相関グラフ (TCG) と結合関係グラフ (CRG) という2つの統計グラフをCANメッセージ検出ウィンドウ毎に生成する。さらに,TCGとCRGのグラフ特性に基づいて軽量な浅層グラフ畳み込み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,検出性能をさらに向上させる。以前の侵入検知における攻撃タイプ不足の問題に対処するため、これまでに調査されたことのない、洗練された、ステルスなマスクレード攻撃の5つの新しい事例をカバーする2つの車載CANデータセットを選択した。実験結果から,STATGRAPHは最先端の侵入検知法よりも検出粒度と検出性能を向上することがわかった。コードはhttps://github.com/wangkai-tech23/StatGraph.comで公開されている。

関連論文リスト

Cluster Aware Graph Anomaly Detection [32.791460110557104]
本稿では,CAREと呼ばれるクラスタ認識型マルチビューグラフ異常検出手法を提案する。提案手法は,グラフの隣接行列を擬似ラベルで拡張することにより,局所ノード親和性とグローバルノード親和性の両方を捕捉する。提案した類似性誘導損失は、対照的な学習損失の変種であることを示す。
論文参考訳（メタデータ） (2024-09-15T15:41:59Z)
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。