論文の概要: Anomaly Detection in Industrial Control Systems Based on Cross-Domain Representation Learning

• arxiv url: http://arxiv.org/abs/2509.11786v1
• Date: Mon, 15 Sep 2025 11:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.243752
• Title: Anomaly Detection in Industrial Control Systems Based on Cross-Domain Representation Learning
• Title（参考訳）: クロスドメイン表現学習に基づく産業制御システムの異常検出
• Authors: Dongyang Zhan, Wenqi Zhang, Lin Ye, Xiangzhan Yu, Hongli Zhang, Zheng He,
• Abstract要約: 異常検出アプローチは主に、ネットワークトラフィックやセンサーデータのセキュリティの分析に重点を置いている。 ICSにおけるクロスドメイン表現学習に基づく異常検出手法を提案する。 提案手法は,グラフニューラルネットワークを利用することで,それらの結合特性を学習することができる。
• 参考スコア（独自算出の注目度）: 17.771519384277777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial control systems (ICSs) are widely used in industry, and their security and stability are very important. Once the ICS is attacked, it may cause serious damage. Therefore, it is very important to detect anomalies in ICSs. ICS can monitor and manage physical devices remotely using communication networks. The existing anomaly detection approaches mainly focus on analyzing the security of network traffic or sensor data. However, the behaviors of different domains (e.g., network traffic and sensor physical status) of ICSs are correlated, so it is difficult to comprehensively identify anomalies by analyzing only a single domain. In this paper, an anomaly detection approach based on cross-domain representation learning in ICSs is proposed, which can learn the joint features of multi-domain behaviors and detect anomalies within different domains. After constructing a cross-domain graph that can represent the behaviors of multiple domains in ICSs, our approach can learn the joint features of them by leveraging graph neural networks. Since anomalies behave differently in different domains, we leverage a multi-task learning approach to identify anomalies in different domains separately and perform joint training. The experimental results show that the performance of our approach is better than existing approaches for identifying anomalies in ICSs.
• Abstract（参考訳）: 産業制御システム(ICS)は産業で広く使われており、その安全性と安定性は非常に重要である。 一度ICSが攻撃されたら、深刻な損害を被る可能性がある。 したがって、ICSの異常を検出することは極めて重要である。 ICSは、遠隔で通信ネットワークを使用して物理的デバイスを監視し、管理することができる。 既存の異常検出アプローチは主に、ネットワークトラフィックやセンサデータのセキュリティの分析に重点を置いている。 しかし、ICSの異なるドメイン(例えば、ネットワークトラフィックやセンサ物理状態)の挙動は相関しているため、単一のドメインのみを分析して、異常を包括的に識別することは困難である。 本稿では,ICSにおけるクロスドメイン表現学習に基づく異常検出手法を提案する。 ICSにおける複数のドメインの振舞いを表現できるクロスドメイングラフを構築した後、グラフニューラルネットワークを活用してそれらの結合特性を学習する。 異常は異なるドメインで異なる振る舞いをするので、マルチタスク学習アプローチを利用して、異なるドメインの異常を別々に識別し、共同訓練を行う。 実験結果から,ICSの異常を同定するための既存手法よりも,本手法の有効性が示唆された。

関連論文リスト

• Enhanced Anomaly Detection in Industrial Control Systems aided by Machine Learning [2.2457306746668766]
  本研究は,ICS環境におけるネットワークデータとプロセスデータの組み合わせによる攻撃検出の改善について検討する。 この結果から,ネットワークトラフィックと運用プロセスデータの統合により,検出能力が向上することが示唆された。 結果は有望だが、彼らは予備的であり、さらなる研究の必要性を強調している。
  論文  参考訳（メタデータ） (2024-10-25T17:41:33Z)
• Can multivariate Granger causality detect directed connectivity of a multistable and dynamic biological decision network model? [0.4450536872346657]
  Granger causality (GC) は、信号間の直接影響(DC)を推定するための頑健な統計手法である。 本研究では,GCをトレーニングされたマルチスタブル生物に基づく決定ニューラルネットワークモデルにおいて,すべてのノードの時系列神経活動に適用した。 分析の結果,入力信号が密接に一致した2選択決定に挑戦すると,元のモデルのDCが容易に明らかになることがわかった。
  論文  参考訳（メタデータ） (2024-08-02T18:40:15Z)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
  動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。 本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T04:08:40Z)
• DI-NIDS: Domain Invariant Network Intrusion Detection System [9.481792073140204]
  コンピュータビジョンなどの様々な応用において、ドメイン適応技術は成功している。 しかし、ネットワーク侵入検出の場合、最先端のドメイン適応アプローチは成功に留まっている。 本稿では,複数のネットワークドメインから対数領域適応を用いて,ドメイン不変な特徴を抽出する。
  論文  参考訳（メタデータ） (2022-10-15T10:26:22Z)
• Statistical learning for change point and anomaly detection in graphs [0.32228025627337864]
  本稿では,統計的プロセス制御とディープラーニングアルゴリズムを組み合わせる可能性について論じる。 本稿では,救急車の応答時間を監視し,定量関数値とグラフ畳み込みネットワークの制御チャートを共同で適用することを提案する。
  論文  参考訳（メタデータ） (2020-11-10T17:15:53Z)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Experimental Review of Neural-based approaches for Network Intrusion Management [8.727349339883094]
  本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。 私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。 我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
  論文  参考訳（メタデータ） (2020-09-18T18:32:24Z)
• Cross-domain Face Presentation Attack Detection via Multi-domain Disentangled Representation Learning [109.42987031347582]
  顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。 クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。 我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
  論文  参考訳（メタデータ） (2020-04-04T15:45:14Z)

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。