論文の概要: Proof of AutoML: SDN based Secure Energy Trading with Blockchain in Disaster Case

• arxiv url: http://arxiv.org/abs/2509.10291v1
• Date: Fri, 12 Sep 2025 14:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.125576
• Title: Proof of AutoML: SDN based Secure Energy Trading with Blockchain in Disaster Case
• Title（参考訳）: AutoMLの証明:災害時のブロックチェーンによるSDNベースのセキュアエネルギー取引
• Authors: Salih Toprak, Muge Erel-Ozcevik,
• Abstract要約: 本研究は,機械学習レグレシタを精度ではなく,ナンス候補に適したランダム化値を生成するために活用する,SDN対応アーキテクチャを提案する。 我々は,5つのAutoML選択回帰モデル(グラディエントブースティング,LightGBM,ランダムフォレスト,エクストラツリー,K-Nearest Neighbors)を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In disaster scenarios where conventional energy infrastructure is compromised, secure and traceable energy trading between solar-powered households and mobile charging units becomes a necessity. To ensure the integrity of such transactions over a blockchain network, robust and unpredictable nonce generation is vital. This study proposes an SDN-enabled architecture where machine learning regressors are leveraged not for their accuracy, but for their potential to generate randomized values suitable as nonce candidates. Therefore, it is newly called Proof of AutoML. Here, SDN allows flexible control over data flows and energy routing policies even in fragmented or degraded networks, ensuring adaptive response during emergencies. Using a 9000-sample dataset, we evaluate five AutoML-selected regression models - Gradient Boosting, LightGBM, Random Forest, Extra Trees, and K-Nearest Neighbors - not by their prediction accuracy, but by their ability to produce diverse and non-deterministic outputs across shuffled data inputs. Randomness analysis reveals that Random Forest and Extra Trees regressors exhibit complete dependency on randomness, whereas Gradient Boosting, K-Nearest Neighbors and LightGBM show strong but slightly lower randomness scores (97.6%, 98.8% and 99.9%, respectively). These findings highlight that certain machine learning models, particularly tree-based ensembles, may serve as effective and lightweight nonce generators within blockchain-secured, SDN-based energy trading infrastructures resilient to disaster conditions.
• Abstract（参考訳）: 従来のエネルギーインフラが損なわれている災害シナリオでは、太陽光発電と移動体充電ユニット間の安全で追跡可能なエネルギー取引が不可欠である。 ブロックチェーンネットワーク上のトランザクションの整合性を確保するためには、堅牢で予測不可能なナンス生成が不可欠である。 本研究は,機械学習レグレシタを精度ではなく,ナンス候補に適したランダム化値を生成するために活用する,SDN対応アーキテクチャを提案する。 そのため、新たにAutoMLの証明と呼ばれるようになった。 ここでSDNは、断片化されたネットワークや劣化したネットワークであっても、データフローとエネルギールーティングポリシーの柔軟な制御を可能にし、緊急時の適応応答を保証する。 9000サンプルのデータセットを用いて、我々は5つのAutoML選択回帰モデル(グラディエントブースティング、LightGBM、ランダムフォレスト、エクストラツリー、K-Nearest Neighbors)を評価する。 ランダムネス分析ではランダムフォレストとエクストラツリーはランダムネスに完全に依存しているのに対し、グラディエントブースティング、K-Nearest Neighbors、LightGBMは強いがわずかに低いランダムネススコア(97.6%、98.8%、99.9%)を示している。 これらの結果は、特定の機械学習モデル、特に木ベースのアンサンブルが、ブロックチェーンでセキュアでSDNベースのエネルギートレーディングインフラストラクチャー内の効果的で軽量なナンスジェネレータとして機能し、災害に耐性があることを浮き彫りにしている。

関連論文リスト

• EIM-TRNG: Obfuscating Deep Neural Network Weights with Encoding-in-Memory True Random Number Generator via RowHammer [8.544950313051402]
  True Random Number Generators (TRNG) は、ハードウェアセキュリティ、暗号システム、データ保護において基本的な役割を果たす。 本研究では,DRAM細胞の挙動に固有の物理的ランダム性を利用する新しいTRNGであるEIM-TRNGを提案する。 本稿では,RowHammer操作によって生成される予測不可能なビットフリップを,信頼性のあるエントロピーソースとして利用できることを示す。
  論文  参考訳（メタデータ） (2025-07-03T00:01:33Z)
• RepuNet: A Reputation System for Mitigating Malicious Clients in DFL [2.3999111269325266]
  Decentralized Federated Learning (DFL)は、ノードが中央サーバなしでモデルを協調的にトレーニングすることを可能にする。 悪意のあるノードは、この自律性を利用して、破損したモデルを送信したり、モデルの提出を遅らせたり、過剰なメッセージでネットワークを浸水させたりすることができる。 本稿では,DFLにおける脅威を分類し,ノードの挙動を動的に評価する分散評価システムであるRepuNetを提案する。
  論文  参考訳（メタデータ） (2025-06-24T10:46:48Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Sdn Intrusion Detection Using Machine Learning Method [0.0]
  SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。 本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
  論文  参考訳（メタデータ） (2024-11-08T12:19:50Z)
• Neural Network Prediction of Strong Lensing Systems with Domain Adaptation and Uncertainty Quantification [44.99833362998488]
  MVE(Mean-variance Estimator)は、ニューラルネットワークの予測からアレタリック(データ)の不確実性を得るための一般的なアプローチである。 本研究では、強いレンズデータに対する非教師なし領域適応(UDA)と組み合わせて、MVEの有効性を初めて研究する。 MVE に UDA を追加すると,UDA なしで MVE モデルより約 2 倍精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-23T19:56:57Z)
• Fault Detection for agents on power grid topology optimization: A Comprehensive analysis [1.0136215038345013]
  我々は,電力グリッドシミュレーションの故障に着目し,パターンを特定し,事前に検出する。 クラスタ化によって、5つの異なるクラスタを検出し、一般的な障害タイプを特定します。 故障を事前に検出し、5種類の予測モデルを評価するためのマルチクラス予測手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T08:20:43Z)
• An Unsupervised Adversarial Autoencoder for Cyber Attack Detection in Power Distribution Grids [0.0]
  本稿では,不均衡配電系統における偽データインジェクション攻撃(FDIA)を検出するために,教師なし対向オートエンコーダ(AAE)モデルを提案する。 提案手法は,オートエンコーダの構造における長期記憶(LSTM)を用いて,時系列計測における時間依存性をキャプチャする。 IEEE 13-bus と 123-bus で、歴史的気象データと歴史的実世界の負荷データを用いてテストされている。
  論文  参考訳（メタデータ） (2024-03-31T01:20:01Z)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)
• Distributionally Robust Model-Based Offline Reinforcement Learning with Near-Optimal Sample Complexity [39.886149789339335]
  オフライン強化学習は、積極的に探索することなく、履歴データから意思決定を行うことを学習することを目的としている。 環境の不確実性や変動性から,デプロイされた環境が,ヒストリデータセットの収集に使用される名目上のものから逸脱した場合でも,良好に機能するロバストなポリシーを学ぶことが重要である。 オフラインRLの分布的ロバストな定式化を考察し、有限水平および無限水平の両方でクルバック・リーブラー発散によって指定された不確実性セットを持つロバストマルコフ決定過程に着目する。
  論文  参考訳（メタデータ） (2022-08-11T11:55:31Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)

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。