論文の概要: Explainable Machine Learning for Cyberattack Identification from Traffic Flows

• arxiv url: http://arxiv.org/abs/2505.01488v1
• Date: Fri, 02 May 2025 17:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.148223
• Title: Explainable Machine Learning for Cyberattack Identification from Traffic Flows
• Title（参考訳）: 交通流からのサイバー攻撃識別のための説明可能な機械学習
• Authors: Yujing Zhou, Marc L. Jacquet, Robel Dawit, Skyler Fabre, Dev Sarawat, Faheem Khan, Madison Newell, Yongxin Liu, Dahai Liu, Hongyun Chen, Jian Wang, Huihui Wang,
• Abstract要約: トラフィックネットワークを用いて,半現実的な環境下でのサイバー攻撃をシミュレートし,破壊パターンを解析する。 深層学習に基づく異常検出システムを開発し、最も長い停止時間と全ジャム距離が妥協信号の重要な指標であることを実証した。 この作業は、AI駆動のトラフィックセキュリティを強化し、スマートトランスポートシステムの検出精度と信頼性の両方を改善します。
• 参考スコア（独自算出の注目度）: 5.834276858232939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing automation of traffic management systems has made them prime targets for cyberattacks, disrupting urban mobility and public safety. Traditional network-layer defenses are often inaccessible to transportation agencies, necessitating a machine learning-based approach that relies solely on traffic flow data. In this study, we simulate cyberattacks in a semi-realistic environment, using a virtualized traffic network to analyze disruption patterns. We develop a deep learning-based anomaly detection system, demonstrating that Longest Stop Duration and Total Jam Distance are key indicators of compromised signals. To enhance interpretability, we apply Explainable AI (XAI) techniques, identifying critical decision factors and diagnosing misclassification errors. Our analysis reveals two primary challenges: transitional data inconsistencies, where mislabeled recovery-phase traffic misleads the model, and model limitations, where stealth attacks in low-traffic conditions evade detection. This work enhances AI-driven traffic security, improving both detection accuracy and trustworthiness in smart transportation systems.
• Abstract（参考訳）: 交通管理システムの自動化が進み、サイバー攻撃の主な標的となり、都市移動と公共の安全を損なうことになった。 従来のネットワーク層防御は、交通機関にはアクセスできないことが多く、トラフィックフローデータのみに依存する機械学習ベースのアプローチを必要とする。 本研究では,仮想トラフィックネットワークを用いて,半現実的な環境下でのサイバー攻撃をシミュレーションし,破壊パターンを解析する。 深層学習に基づく異常検出システムを開発し、最も長い停止時間と全ジャム距離が妥協信号の重要な指標であることを実証した。 解釈可能性を高めるために、説明可能なAI(XAI)技術を適用し、重要な決定要因を特定し、誤分類エラーを診断する。 分析の結果,データ不整合(transitional data inconsistency, 誤ラベル付きリカバリフェーズトラフィックがモデルを誤解させる)と,低トラフ条件下でのステルス攻撃による検出の回避という2つの主な課題が明らかになった。 この作業は、AI駆動のトラフィックセキュリティを強化し、スマートトランスポートシステムの検出精度と信頼性の両方を改善します。

関連論文リスト

• Machine Learning for Cyber-Attack Identification from Traffic Flows [5.834276858232939]
  本稿では,FL のデイトナビーチにおける交通制御システムにおけるサイバー攻撃と検出戦略のシミュレーションについて述べる。 トラフィックフローパターンのみを分析することで、サイバー攻撃を特定できるのか?
  論文  参考訳（メタデータ） (2025-05-02T17:34:19Z)
• CNN+Transformer Based Anomaly Traffic Detection in UAV Networks for Emergency Rescue [12.074051347588963]
  ソフトウェア定義ネットワーク(SDN)フレームワークとブロックチェーン技術に基づく,UAVネットワークのための新しい異常トラフィック検出アーキテクチャを提案する。 畳み込みニューラルネットワーク(CNN)とトランスフォーマー(CNN+Transformer)を組み合わせた,異常なトラフィック検出のための統合アルゴリズムを開発し,CTranATDと呼ぶ。
  論文  参考訳（メタデータ） (2025-03-26T09:27:26Z)
• CoT-VLM4Tar: Chain-of-Thought Guided Vision-Language Models for Traffic Anomaly Resolution [14.703196966156288]
  CoT-VLM4Tar:(交通異常解消のための思考視覚言語モデルの構造) 本稿では,より合理的かつ効果的に交通異常を解析し,推論し,解決する上で,VLMを導くための新たなチェーン・オブ・思想を提案する。 本結果は,VLMがリアルタイム交通異常の解消に有効であることを示し,自律的な交通管理システムへの統合の実証となる。
  論文  参考訳（メタデータ） (2025-03-03T15:07:25Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Cyber-Twin: Digital Twin-boosted Autonomous Attack Detection for Vehicular Ad-Hoc Networks [8.07947129445779]
  Vehicular Ad-hoc NETworks(VANETs)の急速な進化は、インテリジェントトランスポートシステム(ITS)の転換期へと導いてきた。 VANETは、妨害やDDoS(Distributed Denial of Service)攻撃など、サイバー攻撃の影響を受けやすくなっている。 既存の方法は、動的攻撃を検出し、VANETサイバーセキュリティを強化するためにデジタルツイン技術と人工知能(AI)モデルを統合するのに困難に直面している。 本研究では、VANETにおけるRSUのセキュリティを高めるために、デジタルツイン技術とAIを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T08:05:41Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)
• Anomaly Detection in Automatic Generation Control Systems Based on Traffic Pattern Analysis and Deep Transfer Learning [0.38073142980733]
  現代の高度に相互接続された電力グリッドでは、電力グリッドの安定性を維持するために自動生成制御(AGC)が不可欠である。 情報通信技術(ICT)システムへのAGCシステムの依存は、様々なサイバー攻撃に対して脆弱である。 情報フロー(IF)分析と異常検出は、サイバー攻撃者がサイバー物理的電力システムを不安定に駆動することを防ぐために最重要となった。
  論文  参考訳（メタデータ） (2022-09-16T17:52:42Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。