論文の概要: Securing Time in Energy IoT: A Clock-Dynamics-Aware Spatio-Temporal Graph Attention Network for Clock Drift Attacks and Y2K38 Failures

• arxiv url: http://arxiv.org/abs/2601.23147v1
• Date: Fri, 30 Jan 2026 16:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.55877
• Title: Securing Time in Energy IoT: A Clock-Dynamics-Aware Spatio-Temporal Graph Attention Network for Clock Drift Attacks and Y2K38 Failures
• Title（参考訳）: エネルギーIoTにおける時間確保 - クロックドリフト攻撃とY2K38障害に対するクロックダイナミックス対応時空間グラフアテンションネットワーク
• Authors: Saeid Jamshidi, Omar Abdul Wahab, Rolando Herrero, Foutse Khomh,
• Abstract要約: 分散型モノのインターネット(IoT)デバイスにおける時間の統合性は、エネルギー物理システムにおける信頼性の高い操作に不可欠である。 信頼性の高いタイムスタンプを仮定する従来の異常検出モデルは、時間的不整合を捉えることができない。 本稿では,エネルギーIoTシステムにおける時間歪みとデバイス間の一貫性の両方をモデル化するフレームワークSTGATを紹介する。
• 参考スコア（独自算出の注目度）: 5.113469590433218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integrity of time in distributed Internet of Things (IoT) devices is crucial for reliable operation in energy cyber-physical systems, such as smart grids and microgrids. However, IoT systems are vulnerable to clock drift, time-synchronization manipulation, and timestamp discontinuities, such as the Year 2038 (Y2K38) Unix overflow, all of which disrupt temporal ordering. Conventional anomaly-detection models, which assume reliable timestamps, fail to capture temporal inconsistencies. This paper introduces STGAT (Spatio-Temporal Graph Attention Network), a framework that models both temporal distortion and inter-device consistency in energy IoT systems. STGAT combines drift-aware temporal embeddings and temporal self-attention to capture corrupted time evolution at individual devices, and uses graph attention to model spatial propagation of timing errors. A curvature-regularized latent representation geometrically separates normal clock evolution from anomalies caused by drift, synchronization offsets, and overflow events. Experimental results on energy IoT telemetry with controlled timing perturbations show that STGAT achieves 95.7% accuracy, outperforming recurrent, transformer, and graph-based baselines with significant improvements (d > 1.8, p < 0.001). Additionally, STGAT reduces detection delay by 26%, achieving a 2.3-time-step delay while maintaining stable performance under overflow, drift, and physical inconsistencies.
• Abstract（参考訳）: 分散モノのインターネット(IoT)デバイスにおける時間の整合性は、スマートグリッドやマイクログリッドのようなエネルギーサイバー物理システムにおける信頼性の高い操作に不可欠である。 しかし、IoTシステムはクロックドリフト、時間同期操作、2038年(Y2K38)のUnixオーバーフローのようなタイムスタンプの不連続に対して脆弱であり、いずれも時間的順序を乱している。 信頼性の高いタイムスタンプを仮定する従来の異常検出モデルは、時間的不整合を捉えることができない。 本稿では,エネルギーIoTシステムにおける時間歪みとデバイス間一貫性の両方をモデル化したSTGAT(Spatio-Temporal Graph Attention Network)を紹介する。 STGATは、ドリフトを意識した時間的埋め込みと時間的自己アテンションを組み合わせて、個々のデバイスにおける劣化した時間進化を捉え、グラフアテンションを使用してタイミングエラーの空間的伝播をモデル化する。 曲率規則化された潜在表現は、標準時計の進化を、ドリフト、同期オフセット、オーバーフローイベントによって引き起こされる異常から幾何学的に分離する。 制御されたタイミング摂動によるエネルギーIoTテレメトリの実験結果から、STGATは95.7%の精度、再帰性、変圧器、グラフベースのベースラインを達成し、大幅に改善されている(d > 1.8, p < 0.001)。 さらに、STGATは検出遅延を26%削減し、オーバーフロー、ドリフト、物理的不整合の下で安定した性能を維持しながら2.3ステップの遅延を達成する。

関連論文リスト

• Pi-Transformer: A Physics-informed Attention Mechanism for Time Series Anomaly Detection [3.8673630752805437]
  2つの注意経路を持つ物理インフォーム変換器であるPi-Transformerを提案する。 このモデルは、アライメント重み付けされた再構成信号と、タイミングと位相破壊を強調するミスマッチ信号を組み合わせる。 Pi-Transformerは最先端または競争性の高いF1を実現し、特にタイミングと位相破壊異常に強い。
  論文  参考訳（メタデータ） (2025-09-24T10:47:48Z)
• A Spatio-Temporal Graph Neural Networks Approach for Predicting Silent Data Corruption inducing Circuit-Level Faults [5.2974276480448195]
  機能テスト SDE関連の障害をシミュレートするには費用がかかる。 長周期断層衝突確率の高速かつ高精度な予測のための統合時間グラフ畳み込みネットワーク(ST-GCN)を提案する。
  論文  参考訳（メタデータ） (2025-09-08T02:23:51Z)
• WBHT: A Generative Attention Architecture for Detecting Black Hole Anomalies in Backbone Networks [0.49157446832511503]
  ブラックホール(BH)異常は、障害通知なしでパケットロスを引き起こし、接続を中断し、金銭的損失をもたらす。 WBHTは、生成モデリング、シーケンシャルラーニング、アテンションメカニズムを組み合わせて、BH異常検出を改善する。 実世界のネットワークデータに基づいてテストした結果、WBHTは既存のモデルを上回っ、F1スコアを大幅に改善した。
  論文  参考訳（メタデータ） (2025-07-27T18:22:28Z)
• Dynamic Temporal Positional Encodings for Early Intrusion Detection in IoT [3.6686692131754834]
  IoT(Internet of Things)の急速な拡張は、重大なセキュリティ上の課題をもたらしている。 従来の侵入検知システム(IDS)は、しばしばネットワークトラフィックの時間的特性を見落としている。 動的時間的位置エンコーディングを組み込んだトランスフォーマーを用いた早期侵入検知システム(EIDS)を提案する。
  論文  参考訳（メタデータ） (2025-06-22T17:56:19Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• Neural Laplace Control for Continuous-time Delayed Systems [76.81202657759222]
  本稿では,ニューラルラプラス力学モデルとモデル予測制御(MPC)プランナを組み合わせた連続時間モデルに基づくオフラインRL法を提案する。 専門家の政策性能に近い連続的な遅延環境を実験的に示す。
  論文  参考訳（メタデータ） (2023-02-24T12:40:28Z)
• TILDE-Q: A Transformation Invariant Loss Function for Time-Series Forecasting [8.086595073181604]
  時系列予測は、エネルギー、天気、交通、経済など、さまざまな領域における現実世界の問題に対処することができる。 時系列予測はよく研究されている分野であり、シーケンシャルデータの急激な変化などの複雑な時間的パターンを予測することは、現在のモデルでは依然として課題となっている。 本稿では, 振幅および位相歪みだけでなく, 時系列列の形状をモデルで捉えることができる, TILDEQ と呼ばれる新しいコンパクトな損失関数を提案する。
  論文  参考訳（メタデータ） (2022-10-26T21:32:20Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Edge Continual Learning for Dynamic Digital Twins over Wireless Networks [68.65520952712914]
  デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。 本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。 提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
  論文  参考訳（メタデータ） (2022-04-10T23:25:37Z)

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。