論文の概要: Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks

• arxiv url: http://arxiv.org/abs/2511.12648v1
• Date: Sun, 16 Nov 2025 15:30:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.424719
• Title: Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks
• Title（参考訳）: 大規模自動車ネットワークにおけるリアルタイム異常検出のためのスケーラブル階層型AI-Blockchainフレームワーク
• Authors: Rathin Chandra Shit, Sharmila Subudhi,
• Abstract要約: 既存のセキュリティスキームでは、車両の大規模ネットワークの10ms未満の異常検出と分散調整ができない。 本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを紹介する。 エッジ上の光アンサンブル異常検出モデル、Byzantine-fault-tolerant Federated Learningを使用して、地域規模の脅威インテリジェンスを集約する、重要なセキュリティ調整を保証するための選択されたブロックチェーンメカニズムが含まれている。
• 参考スコア（独自算出の注目度）: 0.5505634045241287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The security of autonomous vehicle networks is facing major challenges, owing to the complexity of sensor integration, real-time performance demands, and distributed communication protocols that expose vast attack surfaces around both individual and network-wide safety. Existing security schemes are unable to provide sub-10 ms (milliseconds) anomaly detection and distributed coordination of large-scale networks of vehicles within an acceptable safety/privacy framework. This paper introduces a three-tier hybrid security architecture HAVEN (Hierarchical Autonomous Vehicle Enhanced Network), which decouples real-time local threat detection and distributed coordination operations. It incorporates a light ensemble anomaly detection model on the edge (first layer), Byzantine-fault-tolerant federated learning to aggregate threat intelligence at a regional scale (middle layer), and selected blockchain mechanisms (top layer) to ensure critical security coordination. Extensive experimentation is done on a real-world autonomous driving dataset. Large-scale simulations with the number of vehicles ranging between 100 and 1000 and different attack types, such as sensor spoofing, jamming, and adversarial model poisoning, are conducted to test the scalability and resiliency of HAVEN. Experimental findings show sub-10 ms detection latency with an accuracy of 94% and F1-score of 92% across multimodal sensor data, Byzantine fault tolerance validated with 20\% compromised nodes, and a reduced blockchain storage overhead, guaranteeing sufficient differential privacy. The proposed framework overcomes the important trade-off between real-time safety obligation and distributed security coordination with novel three-tiered processing. The scalable architecture of HAVEN is shown to provide great improvement in detection accuracy as well as network resilience over other methods.
• Abstract（参考訳）: 自動運転車ネットワークのセキュリティは、センサー統合の複雑さ、リアルタイムのパフォーマンス要求、個人とネットワーク全体の安全性に関する大規模な攻撃面を公開する分散通信プロトコルなど、大きな課題に直面している。 既存のセキュリティスキームでは、許容される安全性/プライバシの枠組みの中で、車両の大規模ネットワークの異常検出と分散調整を行うことはできない。 本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを提案する。 エッジ(第1層)の光アンサンブル異常検出モデル、Byzantine-fault-tolerantのフェデレーション学習を使用して、地域規模(中間層)の脅威インテリジェンスを集約する、重要なセキュリティ調整を確保するために選択されたブロックチェーンメカニズム(トップ層)が組み込まれている。 大規模な実験は、現実世界の自律運転データセット上で行われる。 HAVENのスケーラビリティと弾力性をテストするため,100台から1000台までの車両数と,センサ・スプーフィング,ジャミング,敵モデル中毒など様々な攻撃タイプを用いた大規模シミュレーションを行った。 実験結果から,マルチモーダルセンサデータに対して94%,F1スコアが92%,Byzantineフォールトトレランスが20\%の妥協ノードで検証され,ブロックチェーンストレージのオーバーヘッドが低減され,十分な差分プライバシが保証された。 提案フレームワークは,新たな3階層処理によるリアルタイム安全義務と分散セキュリティ調整のトレードオフを克服する。 HAVENのスケーラブルなアーキテクチャは、検出精度を向上し、他の手法よりもネットワークのレジリエンスを向上させることが示されている。

関連論文リスト

• When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
  低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。 これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。 本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T02:02:14Z)
• Random Forest Stratified K-Fold Cross Validation on SYN DoS Attack SD-IoV [0.0]
  Software-Defined Internet of Vehicles (SD-IoV) の文脈でTCP シンクロ洪水攻撃が流行する 本研究は、最大精度と最小検出時間を達成するためにランダムフォレストモデルを最適化することに焦点を当てる。 ネットワーク効率と信頼性を維持しながら、TCP Synse flood攻撃に対して堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-07T00:18:30Z)
• Integrated Simulation Framework for Adversarial Attacks on Autonomous Vehicles [42.02003282828958]
  本稿では,AVの知覚層と通信層の両方を対象とする敵攻撃を生成するための,新たなオープンソース統合シミュレーションフレームワークを提案する。 我々の実装は、V2Xメッセージ操作やGPSスプーフィングといった通信レベルの脅威と共に、LiDARセンサデータに対する多様な認識レベル攻撃をサポートしている。 本研究では, 現状の3Dオブジェクト検出器に対する, 生成した逆方向シナリオの影響を評価することで, フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-08-31T20:53:08Z)
• Robustifying 3D Perception via Least-Squares Graphs for Multi-Agent Object Tracking [43.11267507022928]
  本稿では,3次元LiDARシーンにおける対向雑音に対する新たな緩和フレームワークを提案する。 我々は最小二乗グラフツールを用いて各検出の遠心点の位置誤差を低減する。 実世界のV2V4Realデータセットに関する広範な評価研究は、提案手法がシングルエージェントとマルチエージェントの両方のトラッキングフレームワークよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-07T08:41:08Z)
• AI-Powered Anomaly Detection with Blockchain for Real-Time Security and Reliability in Autonomous Vehicles [1.1797787239802762]
  我々は、リアルタイム異常検出のための人工知能(AI)のパワーとブロックチェーン技術を組み合わせて、悪意のあるアクティビティを検出して防止する新しいフレームワークを開発する。 このフレームワークでは、センサデータと異常アラートをブロックチェーン台帳にセキュアに格納する分散プラットフォームを使用して、データの不正性と信頼性を保証している。 これにより、AVシステムは、サイバースペースとハードウェアコンポーネントの両方の障害からの攻撃に対してより耐性がある。
  論文  参考訳（メタデータ） (2025-05-10T12:53:28Z)
• Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks [10.177917426690701]
  本稿では,クラスタベースのHFLアーキテクチャにおいて,動的車両選択とロバストな異常検出を統合した新しいフレームワークを提案する。 異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。 提案アルゴリズムは, 1ホップおよび3ホップのトポロジのベンチマーク手法と比較して, 収束時間を大幅に短縮することを示す。
  論文  参考訳（メタデータ） (2025-05-02T11:01:00Z)
• An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus [2.8151714475955263]
  インテリジェントトランスポートシステム(ITS)は、現代のインフラにおいて重要な役割を担っているが、車内コントローラエリアネットワーク(CAN)バスの放送特性により、セキュリティ上のリスクに直面している。 提案したフレームワークは、100%精度で全ての攻撃タイプを検出し、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-01-31T00:36:08Z)
• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
  平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。 モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。 本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
  論文  参考訳（メタデータ） (2023-06-29T15:57:07Z)
• Certifiable Robustness to Adversarial State Uncertainty in Deep Reinforcement Learning [40.989393438716476]
  ディープニューラルネットワークベースのシステムは、現在では多くのロボティクスタスクにおいて最先端のシステムとなっているが、ネットワークの堅牢性に関する公式な保証なしに、安全クリティカルドメインへの適用は危険なままである。 センサー入力に対する小さな摂動は、しばしばネットワークベースの決定を変えるのに十分である。 この研究は、認証された敵対的ロバスト性の研究を活用して、深い強化学習アルゴリズムのためのオンラインロバストを開発する。
  論文  参考訳（メタデータ） (2020-04-11T21:36:13Z)

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。