論文の概要: Towards Secure AI-driven Industrial Metaverse with NFT Digital Twins
- arxiv url: http://arxiv.org/abs/2412.15716v1
- Date: Fri, 20 Dec 2024 09:40:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:20:56.231766
- Title: Towards Secure AI-driven Industrial Metaverse with NFT Digital Twins
- Title(参考訳): NFT Digital Twinsによる安全AI駆動型産業メタバースの実現に向けて
- Authors: Ravi Prakash, Tony Thomas,
- Abstract要約: デジタルツイン(DT)は、これらのクローン可能なトークンの作成と所有に対して、分散的なアプローチを提供する。
不正な複製や偽造の可能性は、NFT-DTのセキュリティに重大な脅威をもたらす。
偽のNFT-DTを検出するための新しいディープラーニングベースのソリューションを提案する。
- 参考スコア(独自算出の注目度): 3.9402597999138083
- License:
- Abstract: The rise of the industrial metaverse has brought digital twins (DTs) to the forefront. Blockchain-powered non-fungible tokens (NFTs) offer a decentralized approach to creating and owning these cloneable DTs. However, the potential for unauthorized duplication, or counterfeiting, poses a significant threat to the security of NFT-DTs. Existing NFT clone detection methods often rely on static information like metadata and images, which can be easily manipulated. To address these limitations, we propose a novel deep-learning-based solution as a combination of an autoencoder and RNN-based classifier. This solution enables real-time pattern recognition to detect fake NFT-DTs. Additionally, we introduce the concept of dynamic metadata, providing a more reliable way to verify authenticity through AI-integrated smart contracts. By effectively identifying counterfeit DTs, our system contributes to strengthening the security of NFT-based assets in the metaverse.
- Abstract(参考訳): 産業メタバースの台頭により、デジタル双生児(DT)が最前線に現れた。
ブロックチェーンによるNFT(Non-fungible token)は、これらのクローン可能なDTの作成と所有に対して、分散的なアプローチを提供する。
しかし、不正な複製や偽造の可能性は、NFT-DTのセキュリティに重大な脅威をもたらす。
既存のNFTクローン検出手法はメタデータや画像などの静的情報に依存しており、容易に操作できる。
これらの制約に対処するために,オートエンコーダとRNNベースの分類器を組み合わせた新しいディープラーニングベースのソリューションを提案する。
これにより、リアルタイムパターン認識によって偽のNTT-DTを検出することができる。
さらに、動的メタデータの概念を導入し、AI統合スマートコントラクトによる信頼性検証の信頼性を高める。
偽造DTを効果的に識別することにより、メタバースにおけるNTTベースの資産のセキュリティ強化に寄与する。
関連論文リスト
- XNN: Paradigm Shift in Mitigating Identity Leakage within Cloud-Enabled Deep Learning [11.345200650735658]
本稿では,ニューラルネットワーク機能にランダムな摂動を注入する先駆的手法であるXNNとXNN-dを紹介する。
トレーニングフェーズ用に設計されたXNNは、ランダムな置換と行列乗法を巧みにブレンドし、特徴写像を難読化する。
推論フェーズ用に考案されたXNN-dは、生成的対向ノイズを統合するために対向訓練を採用している。
論文 参考訳(メタデータ) (2024-08-09T09:54:11Z) - Trustworthy DNN Partition for Blockchain-enabled Digital Twin in Wireless IIoT Networks [32.42557641803365]
産業用モノのインターネット(IIoT)ネットワークにおける製造効率を高めるための有望なソリューションとして、Digital twin (DT)が登場した。
本稿では,ディープニューラルネットワーク(DNN)分割技術と評価に基づくコンセンサス機構を用いたブロックチェーン対応DT(B-DT)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-28T07:34:12Z) - Scaling #DNN-Verification Tools with Efficient Bound Propagation and
Parallel Computing [57.49021927832259]
ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。
しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。
DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-12-10T13:51:25Z) - Reversible Quantization Index Modulation for Static Deep Neural Network
Watermarking [57.96787187733302]
可逆的データ隠蔽法(RDH)は潜在的な解決策を提供するが、既存のアプローチはユーザビリティ、キャパシティ、忠実性の面で弱点に悩まされている。
量子化指数変調(QIM)を用いたRDHに基づく静的DNN透かし手法を提案する。
提案手法は,透かし埋め込みのための1次元量化器に基づく新しい手法を取り入れたものである。
論文 参考訳(メタデータ) (2023-05-29T04:39:17Z) - Is Semantic Communications Secure? A Tale of Multi-Domain Adversarial
Attacks [70.51799606279883]
セマンティック・コミュニケーションのためのディープ・ニューラル・ネットワーク(DNN)に対するテスト・タイム・アタックを導入する。
再建損失が低い場合でも,伝達情報のセマンティクスを変更可能であることを示す。
論文 参考訳(メタデータ) (2022-12-20T17:13:22Z) - PCPT and ACPT: Copyright Protection and Traceability Scheme for DNN
Models [13.043683635373213]
ディープニューラルネットワーク(DNN)は人工知能(AI)分野で大きな成功を収めている。
DNNモデルは、簡単に違法にコピーしたり、再配布したり、犯罪者に虐待されたりすることができる。
論文 参考訳(メタデータ) (2022-06-06T12:12:47Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳(メタデータ) (2021-03-23T15:04:44Z) - Deep Serial Number: Computational Watermarking for DNN Intellectual
Property Protection [53.40245698216239]
DSN(Deep Serial Number)はディープニューラルネットワーク(DNN)に特化した透かしアルゴリズムである。
従来のソフトウェアIPの保護においてシリアル番号に着想を得て,DNNに埋め込まれたシリアル番号の最初の実装を提案する。
論文 参考訳(メタデータ) (2020-11-17T21:42:40Z) - Towards Robust Neural Networks via Orthogonal Diversity [30.77473391842894]
敵の訓練とその変種に代表される一連の手法は、ディープニューラルネットワークの堅牢性を高める最も効果的な手法の1つとして証明されている。
本稿では, 多様な入力に適応する特徴を学習するために, モデルの拡張を目的とした新しい防御手法を提案する。
このようにして、提案したDIOは、これらの相互直交経路によって学習された特徴を補正できるため、モデルを強化し、DNN自体の堅牢性を高める。
論文 参考訳(メタデータ) (2020-10-23T06:40:56Z) - Noise-Response Analysis of Deep Neural Networks Quantifies Robustness
and Fingerprints Structural Malware [48.7072217216104]
ディープ・ニューラル・ネットワーク(DNN)は構造的マルウェア(すなわち、重みと活性化経路)を持つ
バックドアの検出は一般的に困難であり、既存の検出手法は計算に高価であり、膨大なリソースを必要とする(トレーニングデータへのアクセスなど)。
そこで本研究では,DNNの堅牢性,指紋の非線形性を定量化し,バックドアの検出を可能にする,高速な特徴生成手法を提案する。
実験の結果,既存の手法(秒対秒)よりも高い信頼度でバックドアを正確に検出できることが判明した。
論文 参考訳(メタデータ) (2020-07-31T23:52:58Z)
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。