Fugu-MT 論文翻訳(概要): Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats

論文の概要: Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats

arxiv url: http://arxiv.org/abs/2510.19295v1
Date: Wed, 22 Oct 2025 06:56:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 03:08:15.225509
Title: Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats
Title（参考訳）: サイバー物理脅威下におけるAI駆動クリティカルネットワークインフラストラクチャの信頼性とレジリエンス
Authors: Konstantinos A. Lizos, Leandros Maglaras, Elena Petrovik, Saied M. Abd El-atty, Georgios Tsachtsiris, Mohamed Amine Ferrag,
Abstract要約: 本稿では,サイバー物理的攻撃条件下でのカスケード障害を軽減するための耐障害性とレジリエンスに配慮した枠組みを提案する。 NS-3シミュレーションを用いて総合的な検証を行い、信頼性、レイテンシ、レジリエンス指数、パケット損失率などの重要な性能指標を分析した。
参考スコア（独自算出の注目度）: 1.7614511833648008
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The increasing reliance on AI-driven 5G/6G network infrastructures for mission-critical services highlights the need for reliability and resilience against sophisticated cyber-physical threats. These networks are highly exposed to novel attack surfaces due to their distributed intelligence, virtualized resources, and cross-domain integration. This paper proposes a fault-tolerant and resilience-aware framework that integrates AI-driven anomaly detection, adaptive routing, and redundancy mechanisms to mitigate cascading failures under cyber-physical attack conditions. A comprehensive validation is carried out using NS-3 simulations, where key performance indicators such as reliability, latency, resilience index, and packet loss rate are analyzed under various attack scenarios. The deduced results demonstrate that the proposed framework significantly improves fault recovery, stabilizes packet delivery, and reduces service disruption compared to baseline approaches.
Abstract（参考訳）: ミッションクリティカルなサービスに対するAI駆動の5G/6Gネットワークインフラストラクチャへの依存度の増加は、高度なサイバー物理脅威に対する信頼性とレジリエンスの必要性を強調している。これらのネットワークは、分散インテリジェンス、仮想化リソース、ドメイン間の統合などにより、新たな攻撃面に高度に晒されている。本稿では、サイバー物理攻撃条件下でのカスケーディング障害を軽減するために、AI駆動異常検出、適応ルーティング、冗長機構を統合したフォールトトレラントでレジリエンスに配慮したフレームワークを提案する。 NS-3シミュレーションを用いて、信頼性、レイテンシ、レジリエンス指数、パケット損失率などの重要な性能指標を様々な攻撃シナリオで分析する。推定結果から,提案手法は障害復旧を著しく改善し,パケット配信を安定させ,ベースラインアプローチに比べてサービス中断を低減させることを示した。

関連論文リスト

Game-Theoretic Resilience Framework for Cyber-Physical Microgrids using Multi-Agent Reinforcement Learning [0.26097841018267615]
本稿では,レジリエンスの評価と向上を目的とした,数学的に厳密なゲーム理論フレームワークを提案する。このフレームワークは、DERと制御スイッチを備えた拡張33バス配信システムでテストされる。
論文参考訳（メタデータ） (2025-09-10T06:07:34Z)
A Federated Fine-Tuning Paradigm of Foundation Models in Heterogenous Wireless Networks [43.049216349313575]
エッジデバイスは、基地局とのファインチューニングのためのLoRAモジュールを動的に切り替え、異種伝送の影響を緩和する。計算複雑性の問題を解決するために,オンライン最適化アルゴリズムを開発した。 SST-2およびQNLIデータセットのシミュレーション結果は、試験精度とエネルギー効率における性能向上を示す。
論文参考訳（メタデータ） (2025-09-05T06:38:36Z)
Bayesian and Multi-Objective Decision Support for Real-Time Cyber-Physical Incident Mitigation [6.852472228194646]
本研究では,サイバー物理システムにおけるサイバーインシデントを軽減するためのリアルタイム適応型意思決定支援フレームワークを提案する。重要なインフラにおけるこれらのシステムへの依存の高まりと、敵の戦術の進化に対応するために開発された。
論文参考訳（メタデータ） (2025-08-31T09:47:38Z)
On the Definition of Robustness and Resilience of AI Agents for Real-time Congestion Management [0.0]
欧州連合の人工知能(AI)法は、リスクの高いセクターに対する堅牢性、レジリエンス、およびセキュリティ要件を定義している。本稿では,混雑管理における強化学習エージェントの堅牢性とレジリエンスを定量的に評価するための新しい枠組みを提案する。
論文参考訳（メタデータ） (2025-04-17T20:01:48Z)
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 [8.817401748976375]
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)
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)
Beyond the Surface: An NLP-based Methodology to Automatically Estimate CVE Relevance for CAPEC Attack Patterns [42.63501759921809]
本稿では,自然言語処理(NLP)を利用して,共通脆弱性・暴露(CAPEC)脆弱性と共通攻撃パターン・分類(CAPEC)攻撃パターンを関連付ける手法を提案する。実験による評価は,最先端モデルと比較して優れた性能を示した。
論文参考訳（メタデータ） (2025-01-13T08:39:52Z)
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)
Profile of Vulnerability Remediations in Dependencies Using Graph Analysis [40.35284812745255]
本研究では,グラフ解析手法と改良型グラフ注意畳み込みニューラルネットワーク(GAT)モデルを提案する。制御フローグラフを分析して、脆弱性の修正を目的とした依存性のアップグレードから発生するアプリケーションの変更をプロファイルします。結果は、コード脆弱性のリレーショナルダイナミクスに関する微妙な洞察を提供する上で、強化されたGATモデルの有効性を示す。
論文参考訳（メタデータ） (2024-03-08T02:01:47Z)

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。