論文の概要: AI-Driven Cybersecurity Testbed for Nuclear Infrastructure: Comprehensive Evaluation Using METL Operational Data

• arxiv url: http://arxiv.org/abs/2512.01727v1
• Date: Mon, 01 Dec 2025 14:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.897805
• Title: AI-Driven Cybersecurity Testbed for Nuclear Infrastructure: Comprehensive Evaluation Using METL Operational Data
• Title（参考訳）: 原子力インフラのためのAI駆動サイバーセキュリティテストベッド:METL運用データを用いた総合評価
• Authors: Benjamin Blakely, Yeni Li, Akshay Dave, Derek Kultgen, Rick Vilim,
• Abstract要約: 本研究は、原子力インフラにおけるサイバーセキュリティ保護のための人工知能アプローチの包括的評価を行う。 4つの機械学習検出パラダイムを含むシステム評価フレームワークを開発した。 実験ではリアルなMETL操作データを用いて300種類の厳密な実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced nuclear reactor systems face increasing cybersecurity threats as sophisticated attackers exploit cyber-physical interfaces to manipulate control systems while evading traditional IT security measures. This research presents a comprehensive evaluation of artificial intelligence approaches for cybersecurity protection in nuclear infrastructure, using Argonne National Laboratory's Mechanisms Engineering Test Loop (METL) as an experimental platform. We developed a systematic evaluation framework encompassing four machine learning detection paradigms: Change Point Detection, LSTM-based Anomaly Detection, Dependency Violation analysis, and Autoencoder reconstruction methods. Our comprehensive attack taxonomy includes 15 distinct scenarios targeting reactor control systems, each implemented across five severity tiers to evaluate detection performance under varying attack intensities. The experimental evaluation encompassed 300 rigorous experiments using realistic METL operational data. Change Point Detection emerged as the leading approach with mean AUC performance of 0.785, followed by LSTM Anomaly Detection (0.636), Dependency Violation (0.621), and Autoencoder methods (0.580). Attack detectability varied significantly, with multi-site coordinated attacks proving most detectable (AUC = 0.739) while precision trust decay attacks presented the greatest detection challenge (AUC = 0.592). This work delivers practical performance benchmarks and reference architecture that advance AI-based cybersecurity capabilities for critical nuclear infrastructure, providing essential foundations for operational deployment and enhanced threat response in cyber-physical systems.
• Abstract（参考訳）: 高度な原子炉システムは、従来のITセキュリティ対策を回避しながら制御システムを操作するサイバー物理インターフェースを利用するため、サイバーセキュリティの脅威が増大する。 本研究は、Argonne National Laboratory's Mechanisms Engineering Test Loop (METL) を実験プラットフォームとして、原子力インフラにおけるサイバーセキュリティ保護のための人工知能アプローチの総合評価を行う。 本研究では,変化点検出,LSTMに基づく異常検出,依存振動解析,オートエンコーダ再構成という4つの機械学習検出パラダイムを含む系統的評価フレームワークを開発した。 総合的な攻撃分類には, 原子炉制御システムを対象とした15のシナリオが含まれており, それぞれが5つの重度層にまたがって実施され, 異なる攻撃強度下での検出性能を評価することができる。 実験ではリアルなMETL操作データを用いて300種類の厳密な実験を行った。 変更点検出は平均AUC性能0.785、LSTM異常検出0.636、Dependency Violation0.621、Autoencoderメソッド0.580の先導的なアプローチとして登場した。 攻撃検出可能性は大きく異なり、多地点協調攻撃は最も検出可能な(AUC = 0.739)一方、精度の高い信頼崩壊攻撃は最大の検出課題(AUC = 0.592)を示した。 この研究は、重要な核インフラのためにAIベースのサイバーセキュリティ機能を進歩させる実用的なパフォーマンスベンチマークとリファレンスアーキテクチャを提供し、運用の基本的な基盤を提供し、サイバー物理システムにおける脅威応答を強化する。

関連論文リスト

• Jailbreak Mimicry: Automated Discovery of Narrative-Based Jailbreaks for Large Language Models [0.0]
  大規模言語モデル(LLM)は、高度な迅速なエンジニアリング攻撃に対して脆弱なままである。 我々は、物語ベースのジェイルブレイクプロンプトを自動生成するために、コンパクトアタッカーモデルを訓練するための体系的方法論であるジェイルブレイク・ミミミリを紹介する。 我々のアプローチは、敵の迅速な発見を手作業の職人技から再現可能な科学的プロセスに変換する。
  論文  参考訳（メタデータ） (2025-10-24T23:53:16Z)
• Explainable and Resilient ML-Based Physical-Layer Attack Detectors [46.30085297768888]
  物理層侵入を警告するために訓練された各種分類器の内部動作を分析する。 有害パラメータのノイズ化に対する検出器のレジリエンスを評価した。 この研究は、利用可能なネットワーク監視データに基づいて訓練された高速で堅牢な検出器を開発するための設計ガイドラインとして機能する。
  論文  参考訳（メタデータ） (2025-09-30T17:05:33Z)
• Cybersecurity AI: Humanoid Robots as Attack Vectors [0.448741371377488]
  本報告では,Unitree G1ヒューマノイドのセキュリティ評価について述べる。 同時に秘密監視ノードとして機能し、アクティブなサイバー運用プラットフォームとして利用することができる。
  論文  参考訳（メタデータ） (2025-09-17T16:18:53Z)
• ANNIE: Be Careful of Your Robots [48.89876809734855]
  エンボディドAIシステムに対する敵の安全攻撃に関する最初の体系的研究について述べる。 すべての安全カテゴリーで攻撃の成功率は50%を超えている。 結果は、実証済みのAIシステムにおいて、これまで未調査だったが、非常に連続的な攻撃面を露呈する。
  論文  参考訳（メタデータ） (2025-09-03T15:00:28Z)
• CyberGym: Evaluating AI Agents' Real-World Cybersecurity Capabilities at Scale [45.97598662617568]
  我々は188のソフトウェアプロジェクトにわたる1,507の実際の脆弱性を特徴とする大規模ベンチマークであるCyberGymを紹介した。 我々はCyberGymが35のゼロデイ脆弱性と17の歴史的不完全なパッチを発見できることを示した。 これらの結果は、CyberGymは、サイバーセキュリティにおけるAIの進歩を測定するための堅牢なベンチマークであるだけでなく、直接的な現実世界のセキュリティ効果を生み出すためのプラットフォームでもあることを強調している。
  論文  参考訳（メタデータ） (2025-06-03T07:35:14Z)
• 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)
• Learning-based Detection of GPS Spoofing Attack for Quadrotors [11.398843753130425]
  本稿では,変圧器をベースとした4重項UAVの高度な攻撃検出フレームワークであるQUADFormerを提案する。 このフレームワークは、異常に敏感な配列を生成する残基生成器を特徴とし、変換器によって解析され、検出と分類のための統計的パターンをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-10T02:20:59Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• 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)
• Learning-Based Vulnerability Analysis of Cyber-Physical Systems [10.066594071800337]
  本研究は,サイバー物理システムの脆弱性解析におけるディープラーニングの利用に焦点を当てる。 我々は,低レベル制御が拡張カルマンフィルタ(ekf)や異常検出器(anomaly detector)などに基づくcpsにおいて広く用いられている制御アーキテクチャを考える。 潜在的なセンシング攻撃が持つ影響を分析することを容易にするため、学習可能な攻撃生成器の開発が目的である。
  論文  参考訳（メタデータ） (2021-03-10T06:52:26Z)

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。