論文の概要: GiBy: A Giant-Step Baby-Step Classifier For Anomaly Detection In Industrial Control Systems
- arxiv url: http://arxiv.org/abs/2504.20906v1
- Date: Tue, 29 Apr 2025 16:24:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.985347
- Title: GiBy: A Giant-Step Baby-Step Classifier For Anomaly Detection In Industrial Control Systems
- Title（参考訳）: GiBy:産業用制御システムにおける異常検出のための巨大ステップベイビーステップ分類器
- Authors: Sarad Venugopalan, Sridhar Adepu,
- Abstract要約: 本稿では,センサ・アクチュエータの関係から生じる非線形形状の正確な線形化を含む異常検出手法を提案する。
我々は、よく知られた水処理テストベッドをユースケースとして使用することで、これを実現する。
- 参考スコア（独自算出の注目度）: 1.450261153230204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The continuous monitoring of the interactions between cyber-physical components of any industrial control system (ICS) is required to secure automation of the system controls, and to guarantee plant processes are fail-safe and remain in an acceptably safe state. Safety is achieved by managing actuation (where electric signals are used to trigger physical movement), dependent on corresponding sensor readings; used as ground truth in decision making. Timely detection of anomalies (attacks, faults and unascertained states) in ICSs is crucial for the safe running of a plant, the safety of its personnel, and for the safe provision of any services provided. We propose an anomaly detection method that involves accurate linearization of the non-linear forms arising from sensor-actuator(s) relationships, primarily because solving linear models is easier and well understood. Further, the time complexity of the anomaly detection scenario/problem at hand is lowered using dimensionality reduction of the actuator(s) in relationship with a sensor. We accomplish this by using a well-known water treatment testbed as a use case. Our experiments show millisecond time response to detect anomalies and provide explainability; that are not simultaneously achieved by other state of the art AI/ML models with eXplainable AI (XAI) used for the same purpose. Further, we pin-point the sensor(s) and its actuation state for which anomaly was detected.
- Abstract（参考訳）: 産業制御システム(ICS)のサイバー物理コンポーネント間の相互作用の継続的な監視は、システム制御の自動化を確実にし、プラントプロセスがフェールセーフであり、許容できる限り安全な状態であることを保証するために必要である。
安全はアクティベーション(電気信号が物理的な動きをトリガーする場所)を管理することで達成され、対応するセンサーの読み取りに依存する。
ICSにおける異常(攻撃、欠陥、未確認状態)のタイムリーな検出は、プラントの安全運転、人員の安全、提供されたサービスの安全確保に不可欠である。
本稿では,センサ・アクチュエータの関係から生じる非線形形状の正確な線形化を含む異常検出手法を提案する。
さらに、センサとの関係でアクチュエータ(s)の次元的低減により、手前の異常検出シナリオ/プロブレムの時間複雑性を低下させる。
我々は、よく知られた水処理テストベッドをユースケースとして使用することで、これを実現する。
我々の実験は、異常を検出し、説明可能性を提供するミリ秒の応答を示す。これは、同じ目的に使用されるeXplainable AI(XAI)を備えた他の最先端AI/MLモデルによって同時に達成されるものではない。
さらに,異常が検出されたセンサ(s)とその動作状態をピンポイントで検出した。
関連論文リスト
- Enhancing Functional Safety in Automotive AMS Circuits through Unsupervised Machine Learning [9.100418852199082]
AMS回路における早期異常検出のための教師なし機械学習に基づく新しいフレームワークを提案する。
提案手法では、様々な回路位置や個々のコンポーネントに異常を注入して、多種多様な総合的な異常データセットを作成する。
これらの異常条件下でのシステムの挙動をモニタリングすることにより、異常の伝播とその影響を異なる抽象レベルで捉える。
論文 参考訳（メタデータ） (2024-04-02T04:33:03Z) - One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。
提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。
提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
論文 参考訳（メタデータ） (2024-03-24T13:44:57Z) - A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
本稿では,教師なし深層学習異常検出システムを提案する。
生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。
リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
論文 参考訳（メタデータ） (2024-03-21T14:26:29Z) - AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳（メタデータ） (2023-12-18T12:37:35Z) - Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。
本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。
実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
論文 参考訳（メタデータ） (2023-10-12T18:23:06Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - On a Uniform Causality Model for Industrial Automation [61.303828551910634]
産業自動化の様々な応用分野に対する一様因果モデルを提案する。
得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。
このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
論文 参考訳（メタデータ） (2022-09-20T11:23:51Z) - Machine vision for vial positioning detection toward the safe automation
of material synthesis [0.4893345190925178]
本稿では,新しい深層学習(DL)型物体検出器DenseSSDについて報告する。
DenseSSDは、空と溶液を充填したバイアルを含む複雑なデータセットに基づいて、平均平均精度(mAP)を95%以上達成した。
本研究は,DenseSSDが自動材料合成環境の安全性向上に有効であることを示す。
論文 参考訳（メタデータ） (2022-06-15T03:19:25Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳（メタデータ） (2020-07-14T05:25:15Z)
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。