論文の概要: SimProcess: High Fidelity Simulation of Noisy ICS Physical Processes

• arxiv url: http://arxiv.org/abs/2505.22638v1
• Date: Wed, 28 May 2025 17:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.779734
• Title: SimProcess: High Fidelity Simulation of Noisy ICS Physical Processes
• Title（参考訳）: SimProcess: ノイズICS物理過程の高忠実度シミュレーション
• Authors: Denis Donadel, Gabriele Crestanello, Giulio Morandini, Daniele Antonioli, Mauro Conti, Massimo Merro,
• Abstract要約: インダストリアル・コントロール・システムズ(ICS)は電力網や水処理プラントなどの重要なインフラを管理している。 既存のミツバチはICSの物理的過程を再現するのに苦労し、検出しにくい。 シムプロス(SimProcess)は、実世界の物理プロセスと密接な類似性を評価することで、ICSシミュレーションの忠実度をランク付けする新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 14.539438574138613
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Industrial Control Systems (ICS) manage critical infrastructures like power grids and water treatment plants. Cyberattacks on ICSs can disrupt operations, causing severe economic, environmental, and safety issues. For example, undetected pollution in a water plant can put the lives of thousands at stake. ICS researchers have increasingly turned to honeypots -- decoy systems designed to attract attackers, study their behaviors, and eventually improve defensive mechanisms. However, existing ICS honeypots struggle to replicate the ICS physical process, making them susceptible to detection. Accurately simulating the noise in ICS physical processes is challenging because different factors produce it, including sensor imperfections and external interferences. In this paper, we propose SimProcess, a novel framework to rank the fidelity of ICS simulations by evaluating how closely they resemble real-world and noisy physical processes. It measures the simulation distance from a target system by estimating the noise distribution with machine learning models like Random Forest. Unlike existing solutions that require detailed mathematical models or are limited to simple systems, SimProcess operates with only a timeseries of measurements from the real system, making it applicable to a broader range of complex dynamic systems. We demonstrate the framework's effectiveness through a case study using real-world power grid data from the EPIC testbed. We compare the performance of various simulation methods, including static and generative noise techniques. Our model correctly classifies real samples with a recall of up to 1.0. It also identifies Gaussian and Gaussian Mixture as the best distribution to simulate our power systems, together with a generative solution provided by an autoencoder, thereby helping developers to improve honeypot fidelity. Additionally, we make our code publicly available.
• Abstract（参考訳）: インダストリアル・コントロール・システムズ(ICS)は電力網や水処理プラントなどの重要なインフラを管理している。 ICSに対するサイバー攻撃は作戦を妨害し、経済、環境、安全の深刻な問題を引き起こす可能性がある。 例えば、水田で検出されていない汚染は、数千人の命を危険にさらす可能性がある。 ICSの研究者たちはますますハニーポットに目を向けている。攻撃者を惹きつけ、行動を研究し、最終的に防御メカニズムを改善するために設計されたデコイシステムだ。 しかし、既存のICSミツバチはICSの物理的過程を複製するのに苦労し、検出しにくい。 ICS物理プロセスのノイズを正確にシミュレートすることは、センサーの不完全性や外部からの干渉など、様々な要因がそれを生成するため困難である。 本稿では,実世界の物理プロセスと密接な類似性を評価することで,ICSシミュレーションの忠実度をランク付けする新しいフレームワークであるSimProcessを提案する。 ノイズ分布をランダムフォレストのような機械学習モデルで推定することにより、ターゲットシステムからシミュレーション距離を測定する。 詳細な数学的モデルを必要とする既存のソリューションや単純なシステムに限られているソリューションとは異なり、SimProcessは実際のシステムから測定のタイムリーしか持たないため、より広範な複雑な力学系に適用できる。 実世界電力グリッドデータを用いたEPICテストベッドのケーススタディにより,本フレームワークの有効性を実証する。 静的および生成ノイズ技術を含む様々なシミュレーション手法の性能を比較した。 本モデルでは,実検体を最大1.0のリコールで正しく分類する。 また、ガウシアンとガウシアンミクチャーを、オートエンコーダによる生成ソリューションとともに、我々の電力システムをシミュレートする最良のディストリビューションとして特定し、開発者がハニーポットの忠実さを改善するのに役立つ。 さらに、コードを公開しています。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• A Deep Multi-Modal Cyber-Attack Detection in Industrial Control Systems [1.0312968200748118]
  本研究は、ICSのネットワークとセンサのモダリティデータを、ICSの深層多モードサイバー攻撃検出モデルで処理する。 以上の結果から,提案モデルが既存の単一モダリティモデルや最近の文献よりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-04-04T01:27:21Z)
• Residual Physics Learning and System Identification for Sim-to-real Transfer of Policies on Buoyancy Assisted Legged Robots [14.760426243769308]
  本研究では,BALLUロボットのシステム識別による制御ポリシのロバストなシミュレートを実演する。 標準的な教師あり学習の定式化に頼るのではなく、深層強化学習を利用して外部力政策を訓練する。 シミュレーショントラジェクトリと実世界のトラジェクトリを比較することで,改良されたシミュレーション忠実度を解析する。
  論文  参考訳（メタデータ） (2023-03-16T18:49:05Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Data Driven Testing of Cyber Physical Systems [12.93632948681342]
  そこで本研究では,CPSの故障防止テストケースを自動生成する手法を提案する。 スマートな建物を管理するアプリケーションから収集されたデータは、環境のモデルを学ぶために使われてきた。
  論文  参考訳（メタデータ） (2021-02-23T04:55:10Z)
• Automated Adversary Emulation for Cyber-Physical Systems via Reinforcement Learning [4.763175424744536]
  我々は,サイバー物理システムに対する敵エミュレーションに対するドメイン認識の自動化手法を開発した。 我々は、マルコフ決定プロセス(MDP)モデルを定式化し、ハイブリッドアタックグラフ上で最適なアタックシーケンスを決定する。 モデルベースおよびモデルフリー強化学習(RL)法を用いて,離散連続型MDPをトラクタブルな方法で解く。
  論文  参考訳（メタデータ） (2020-11-09T18:44:29Z)

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。