論文の概要: Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2508.09504v1
- Date: Wed, 13 Aug 2025 05:26:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.767675
- Title: Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems
- Title（参考訳）: サイバー物理システムにおけるロバスト異常検出のための構造偏差による因果グラフプロファイリング
- Authors: Arun Vignesh Malarkkan, Haoyue Bai, Dongjie Wang, Yanjie Fu,
- Abstract要約: 公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。
CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。
因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
- 参考スコア（独自算出の注目度）: 25.567981742631005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the growing complexity of cyberattacks targeting critical infrastructures such as water treatment networks, there is a pressing need for robust anomaly detection strategies that account for both system vulnerabilities and evolving attack patterns. Traditional methods -- statistical, density-based, and graph-based models struggle with distribution shifts and class imbalance in multivariate time series, often leading to high false positive rates. To address these challenges, we propose CGAD, a Causal Graph-based Anomaly Detection framework designed for reliable cyberattack detection in public infrastructure systems. CGAD follows a two-phase supervised framework -- causal profiling and anomaly scoring. First, it learns causal invariant graph structures representing the system's behavior under "Normal" and "Attack" states using Dynamic Bayesian Networks. Second, it employs structural divergence to detect anomalies via causal graph comparison by evaluating topological deviations in causal graphs over time. By leveraging causal structures, CGAD achieves superior adaptability and accuracy in non-stationary and imbalanced time series environments compared to conventional machine learning approaches. By uncovering causal structures beneath volatile sensor data, our framework not only detects cyberattacks with markedly higher precision but also redefines robustness in anomaly detection, proving resilience where traditional models falter under imbalance and drift. Our framework achieves substantial gains in F1 and ROC-AUC scores over best-performing baselines across four industrial datasets, demonstrating robust detection of delayed and structurally complex anomalies.
- Abstract（参考訳）: 水処理ネットワークのような重要なインフラをターゲットにしたサイバー攻撃の複雑さが増大する中、システムの脆弱性と攻撃パターンの進化の両方を考慮に入れた堅牢な異常検出戦略の必要性が高まっている。
従来の手法 -- 統計的、密度ベース、グラフベースのモデルは、多変量時系列における分布シフトとクラス不均衡に苦しむため、しばしば偽陽性率が高くなる。
これらの課題に対処するために,公共インフラシステムにおける信頼性の高いサイバー攻撃検出を目的としたCausal Graphベースの異常検出フレームワークであるCGADを提案する。
CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。
まず、動的ベイズネットワークを用いて「Normal」および「Attack」状態の下でシステムの振舞いを表す因果不変グラフ構造を学習する。
第2に、時間とともに因果グラフの位相偏差を評価することにより、因果グラフ比較による異常の検出に構造的偏差を用いる。
因果構造を活用することで、CGADは従来の機械学習手法と比較して、定常的および不均衡な時系列環境において優れた適応性と精度を実現する。
我々のフレームワークは、揮発性センサーデータの下に因果構造を明らかにすることで、高い精度でサイバー攻撃を検出するだけでなく、異常検出におけるロバスト性を再定義し、従来のモデルが不均衡とドリフトに飢えているレジリエンスを証明します。
F1 と ROC-AUC のスコアは,4 つの産業データセットにまたがる最良性能のベースラインよりも大幅に向上し,遅延および構造的に複雑な異常の堅牢な検出を実証した。
関連論文リスト
- Incremental Causal Graph Learning for Online Cyberattack Detection in Cyber-Physical Infrastructures [25.567981742631005]
リアルタイムの重要インフラに対するサイバー攻撃の脅威は、公共の安全に重大なリスクをもたらす。
従来のリアルタイム異常検出技術は、高いデータ分散とクラス不均衡に対する統計的感度のため、しばしば過剰な偽陽性に悩まされる。
本稿では,インクリメンタルな因果グラフ学習のための新しいフレームワークであるINCADETを提案する。
論文 参考訳（メタデータ） (2025-07-18T22:27:13Z) - Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。
本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。
本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
論文 参考訳（メタデータ） (2025-02-26T17:06:13Z) - 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) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
論文 参考訳（メタデータ） (2022-02-25T22:05:59Z) - Unveiling the potential of Graph Neural Networks for robust Intrusion
Detection [2.21481607673149]
本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。
我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
論文 参考訳（メタデータ） (2021-07-30T16:56:39Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。