Fugu-MT 論文翻訳(概要): Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning for Cyber-Physical Systems Security

論文の概要: Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning for Cyber-Physical Systems Security

arxiv url: http://arxiv.org/abs/2506.22445v1
Date: Thu, 12 Jun 2025 01:38:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-07 02:47:44.345577
Title: Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning for Cyber-Physical Systems Security
Title（参考訳）: サイバー物理システムセキュリティのための階層型逆レジリエントマルチエージェント強化学習
Authors: Saad Alqithami,
Abstract要約: 本稿では,階層型適応型レジリエントなマルチエージェント強化学習フレームワークを提案する。このフレームワークには、進化するサイバー脅威をシミュレートし予測するために設計された敵の訓練ループが含まれている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cyber-Physical Systems play a critical role in the infrastructure of various sectors, including manufacturing, energy distribution, and autonomous transportation systems. However, their increasing connectivity renders them highly vulnerable to sophisticated cyber threats, such as adaptive and zero-day attacks, against which traditional security methods like rule-based intrusion detection and single-agent reinforcement learning prove insufficient. To overcome these challenges, this paper introduces a novel Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning (HAMARL) framework. HAMARL employs a hierarchical structure consisting of local agents dedicated to subsystem security and a global coordinator that oversees and optimizes comprehensive, system-wide defense strategies. Furthermore, the framework incorporates an adversarial training loop designed to simulate and anticipate evolving cyber threats, enabling proactive defense adaptation. Extensive experimental evaluations conducted on a simulated industrial IoT testbed indicate that HAMARL substantially outperforms traditional multi-agent reinforcement learning approaches, significantly improving attack detection accuracy, reducing response times, and ensuring operational continuity. The results underscore the effectiveness of combining hierarchical multi-agent coordination with adversarially-aware training to enhance the resilience and security of next-generation CPS.
Abstract（参考訳）: サイバー物理システムは、製造業、エネルギー流通、自律輸送システムなど、様々な分野のインフラにおいて重要な役割を担っている。しかし、接続性の向上により、アダプティブやゼロデイアタックといった高度なサイバー脅威に対して、ルールベースの侵入検出や単一エージェント強化学習といった従来のセキュリティ手法が不十分であることが証明されている。これらの課題を克服するために,本稿では,階層型多言語強化学習(Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning, HAMARL)フレームワークを提案する。 HAMARLは、サブシステムセキュリティに特化したローカルエージェントと、包括的でシステム全体の防衛戦略を監督し最適化するグローバルコーディネータで構成される階層構造を採用している。さらに、このフレームワークには、進化するサイバー脅威をシミュレートし予測するために設計された敵の訓練ループが含まれており、積極的な防御適応を可能にしている。模擬産業用IoTテストベッドで行った大規模な実験結果から、HAMARLは従来のマルチエージェント強化学習手法よりも大幅に優れ、攻撃検出精度を大幅に向上し、応答時間を短縮し、運用継続性を確保することが示唆された。その結果,次世代CPSのレジリエンスと安全性を高めるために,階層的マルチエージェント協調と逆向きの訓練を組み合わせることの有効性が示された。

関連論文リスト

A Survey on Autonomy-Induced Security Risks in Large Model-Based Agents [45.53643260046778]
大規模言語モデル(LLM)の最近の進歩は、自律型AIエージェントの台頭を触媒している。これらの大きなモデルエージェントは、静的推論システムからインタラクティブなメモリ拡張エンティティへのパラダイムシフトを示す。
論文参考訳（メタデータ） (2025-06-30T13:34:34Z)
SAFER-D: A Self-Adaptive Security Framework for Distributed Computing Architectures [6.145115042061793]
Internet of ThingsとCyber-Physical Systemsの台頭は、セキュアで堅牢な通信を保証するための新たな課題をもたらしている。本稿では,多種多様な適応戦略を組み合わせた総合的かつ効率的な防衛機構を構築するための総合的自己適応型セキュリティフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-19T19:02:35Z)
Compositional Learning for Modular Multi-Agent Self-Organizing Networks [0.7122137885660501]
自己組織化されたネットワークは、複雑なパラメータの相互依存と矛盾する目標からの課題に直面します。本研究では,CDRL(Compositional Deep Reinforcement Learning)とCPDM(Compositional Predictive Decision-Making)の2つの構成学習手法を紹介する。モデル複雑性を低減しつつ不均一なエージェントの粒度を管理するために,セルレベルおよびセルペアレベルのエージェントを用いたモジュール型2層フレームワークを提案する。
論文参考訳（メタデータ） (2025-06-03T08:33:18Z)
Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends [20.469263896950437]
我々は,CyberEdgeネットワークにおけるレジリエント・フェデレート・ラーニング(ResFL)の最新技術について検討する。我々は,集約的推論と機能指向型セキュリティ機構を用いた共同トレーニングに重点を置いている。これらの進歩は、超低レイテンシ、人工知能(AI)駆動のネットワーク管理、敵攻撃に対するレジリエンスの改善を提供する。
論文参考訳（メタデータ） (2025-04-01T23:06:45Z)
Quantitative Resilience Modeling for Autonomous Cyber Defense [7.6078202493877205]
サイバーレジリエンス(サイバーレジリエンス)とは、システムがシステム操作に最小限の影響で攻撃から回復する能力である。多様なネットワークトポロジやアタックパターンに適用可能な、レジリエンスの正式な定義はありません。複数のディフェンダ運用目標を考慮したレジリエンスの定量的定式化を提案する。
論文参考訳（メタデータ） (2025-03-04T16:52:25Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-27T14:47:52Z)
Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文参考訳（メタデータ） (2021-10-18T00:50:34Z)
Deep hierarchical reinforcement agents for automated penetration testing [0.0]
本稿では,階層構造を持つHA-DRLを用いた新しい深層強化学習アーキテクチャを提案する。提案アーキテクチャは,従来の深層学習エージェントよりも高速かつ安定に最適な攻撃策を見出すことができる。
論文参考訳（メタデータ） (2021-09-14T05:28:22Z)

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。