論文の概要: Stability-Drift Early Warning for Cyber-Physical Systems Under Degradation Attacks

• arxiv url: http://arxiv.org/abs/2512.13767v1
• Date: Mon, 15 Dec 2025 15:40:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.436308
• Title: Stability-Drift Early Warning for Cyber-Physical Systems Under Degradation Attacks
• Title（参考訳）: 劣化攻撃によるサイバー物理システムの早期警戒
• Authors: Daniyal Ganiuly, Nurzhau Bolatbek, Assel Smaiyl,
• Abstract要約: サイバー物理システムは、即時または明らかな失敗を引き起こすことなく、劣化の遅さに弱い。 小さなセンサバイアスやタイミングの不規則さは時間とともに蓄積し、徐々に安定性を低下させる。 本稿では,安定性ドリフトに基づく早期警報手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cyber-physical systems (CPS) such as unmanned aerial vehicles are vulnerable to slow degradation that develops without causing immediate or obvious failures. Small sensor biases or timing irregularities can accumulate over time, gradually reducing stability while standard monitoring mechanisms continue to report normal operation. Detecting this early phase of degradation remains a challenge, as most existing approaches focus on abrupt faults or visible trajectory deviations. This paper introduces an early warning method based on stability drift, which measures the divergence between predicted and observed state transitions over short horizons. By tracking the gradual growth of this divergence, the proposed approach identifies emerging instability before it becomes visible in the flight trajectory or estimator residuals. The method operates externally to the flight stack and relies only on standard telemetry, making it suitable for deployment without modifying autopilot firmware. The approach was evaluated on a PX4 x500 platform in a software in the loop environment under two realistic degradation scenarios, gradual IMU bias drift and timing irregularities in the control loop. In both cases, the stability drift metric provided a consistent early warning signal several seconds before visible instability appeared, while remaining stable during nominal and aggressive but non degraded flight. The results demonstrate that stability drift can serve as a practical indicator of early degradation in UAV control systems. By providing advance notice during a pre instability phase, the proposed method complements existing safety mechanisms and offers additional time for mitigation or safe mode transitions under slow and subtle attacks.
• Abstract（参考訳）: 無人航空機のようなサイバー物理システム(CPS)は、即時または明らかな故障を生じさせることなく発達する遅い劣化に対して脆弱である。 小さなセンサバイアスやタイミング不規則性は時間とともに蓄積し、標準の監視機構が正常な動作を報告し続ける間、徐々に安定性を低下させる。 既存のほとんどのアプローチは、突然の断層や目に見える軌道偏差に焦点を当てているため、この劣化の初期段階を検出することは依然として困難である。 本稿では,短地平線上での予測状態遷移と観測状態遷移のばらつきを計測する安定性ドリフトに基づく早期警報手法を提案する。 この分散の段階的な成長を追跡することによって, 飛行軌道や推定器の残留物に現れる前に, 新たな不安定性を見出すことができる。 この方法はフライトスタックに対して外部から動作し、標準的なテレメトリのみに依存しており、自動操縦ファームウェアを変更することなく展開に適している。 この手法は、ループ環境におけるソフトウェア上のPX4 x500プラットフォーム上で、段階的IMUバイアスドリフトと制御ループのタイミング不規則という2つの現実的な劣化シナリオ下で評価された。 どちらの場合も、安定性ドリフト距離は目に見える不安定が現れる数秒前に一貫した早期警報信号を提供し、名目上は攻撃的だが劣化しない飛行中も安定していた。 その結果, 安定ドリフトは, UAV制御システムの早期劣化の指標となる可能性が示唆された。 不安定化前段階で事前通知を提供することにより、提案手法は既存の安全メカニズムを補完し、遅く微妙な攻撃を受けた場合の緩和や安全なモード遷移のための追加時間を与える。

関連論文リスト

• Predict and Resist: Long-Term Accident Anticipation under Sensor Noise [14.759047709239788]
  事故予測は積極的で安全な自動運転に不可欠である。 現実の展開を妨げる2つの重要な課題は、天候、動きのぼかし、ハードウェアの制限によるノイズや劣化した感覚入力である。 本稿では,これらの課題に対処するために,拡散に基づくデノベーションと時間認識アクター批判モデルを統合する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-10T11:41:43Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• CVCM Track Circuits Pre-emptive Failure Diagnostics for Predictive Maintenance Using Deep Neural Networks [0.15056924758531146]
  線路回路は鉄道の運行にとって重要であり、列車を見つけるための主要な信号線サブシステムとして機能している。 多くの障害は、時間とともに進化する微妙な異常として発生し、しばしば監視された信号では視覚的に見えなくなる。 本稿では,障害にエスカレートする前に,異常を適切に分類する予測保守フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-12T16:13:51Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• Deep Learning for predicting rate-induced tipping [2.0646829448024184]
  我々は,速度誘起遷移よりも先に,力学系の遷移確率を予測する枠組みを開発する。 提案手法は,3つのシステムで示されるように,早期に警告を発行する。
  論文  参考訳（メタデータ） (2024-09-11T19:40:57Z)
• Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
  クラスに依存しない動き予測法は点雲全体の動きを直接予測する。 既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
  論文  参考訳（メタデータ） (2024-03-20T02:58:45Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems [0.0]
  線形力学系は、不確実な力学を持つ植物の学習に基づく制御のための標準モデルである。 この目的のための信頼性の高い安定化手順は、不安定なデータから有効に学習し、有限時間でシステムを安定化させることができない。 本研究では,未知の連続時間線形系を安定化する新しい学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-30T15:31:35Z)
• Versatile and Robust Transient Stability Assessment via Instance Transfer Learning [6.760999627905228]
  本稿では,電力系統力学の知識を取り入れたデータ駆動型アルゴリズムに新たなデータ収集手法を提案する。 不安定領域に関する重要な情報を提供する断層影響領域という新しい概念を導入する。 IEEE 39バスシステムのテスト結果は、このモデルがこれまで見つからなかった運用シナリオの安定性を正確に予測できることを検証します。
  論文  参考訳（メタデータ） (2021-02-20T09:10:29Z)

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。