論文の概要: An Explainable Federated Framework for Zero Trust Micro-Segmentation in IIoT Networks

• arxiv url: http://arxiv.org/abs/2603.24754v1
• Date: Wed, 25 Mar 2026 19:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.961275
• Title: An Explainable Federated Framework for Zero Trust Micro-Segmentation in IIoT Networks
• Title（参考訳）: IIoTネットワークにおけるゼロ信頼マイクロセグメンテーションのための説明可能なフェデレーションフレームワーク
• Authors: Muhammad Liman Gambo, Ahmad Almulhem,
• Abstract要約: IIoTネットワークにおけるZero Trustマイクロセグメンテーションのための説明可能なフェデレートオートエンコーダ-ハイパーグラフフレームワークであるEFAH-ZTMを提案する。 マイクロセグメントを生成するためにMiniBatch KMeansとHDBSCANクラスタリング技術を適用した。 実験により,HDBSCANは最も高い構造的品質を達成し,多様体ベースのハイパーグラフは最適なオラクル整合セキュリティ効果が得られることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Micro-segmentation as a core requirement of zero trust architecture (ZTA) divides networks into small security zones, called micro-segments, thereby minimizing impact of security breaches and restricting lateral movement of attackers. Existing approaches for Industrial Internet of Things (IIoT) networks often remain centralized, static, or difficult to interpret. These limitations are critical in IIoT, where devices are heterogeneous, communication behavior evolves over time, and raw data sharing across sites is often undesirable. Accordingly, we propose EFAH-ZTM, an Explainable Federated Autoencoder-Hypergraph framework for Zero Trust micro-segmentation in IIoT networks. The framework includes a trained federated DNAE that learns behavioral embeddings from distributed clients. kNN-based and Manifold-based hypergraphs capture higher-order relationships among device-flow instances. To generate micro-segments, MiniBatch KMeans and HDBSCAN clustering techniques are applied on the spectral embeddings, while an operational risk score that combines reconstruction error and structural outlierness drives allow/block policy decisions. Trustworthiness of the policy decision is improved through feature-level explanations using LIME and SHAP. Experiments on the WUSTL-IIoT-2021 dataset show that HDBSCAN achieved the strongest structural quality, while the manifold-based hypergraph produces the best oracle-aligned security efficacy that reaches a purity of 0.9990 with near-zero contamination. Similarly, the explainability module also showed high fidelity and stability, with surrogate classifier having an accuracy of 0.9927 and stable explanations across runs. Moreover, an ablation analysis shows that the federated learning preserves competitive segmentation quality relative to centralized training, and the hypergraph modeling significantly improves structural separation and risk stratification.
• Abstract（参考訳）: ゼロ信頼アーキテクチャ(ZTA)のコア要件であるマイクロセグメンテーションは、ネットワークをマイクロセグメントと呼ばれる小さなセキュリティゾーンに分割することで、セキュリティ違反の影響を最小限に抑え、攻撃者の横移動を制限する。 既存の産業用IoT(Industrial Internet of Things)ネットワークのアプローチは、中央集権的、静的、あるいは解釈が難しいことが多い。 これらの制限は、デバイスが異質であり、通信動作が時間とともに進化し、サイト間での生データ共有が望ましくない、IIoTにおいて重要なものだ。 そこで我々は,IIoTネットワークにおけるZero Trustマイクロセグメンテーションのための説明可能なフェデレートオートエンコーダ-ハイパーグラフフレームワークであるEFAH-ZTMを提案する。 フレームワークにはトレーニング済みのフェデレーションDNAEが含まれており、分散クライアントから振る舞いの埋め込みを学習する。 kNNベースのハイパーグラフとManifoldベースのハイパーグラフは、デバイスフローインスタンス間の高次関係をキャプチャする。 マイクロセグメントを生成するために、MiniBatch KMeansとHDBSCANクラスタリング技術がスペクトル埋め込みに適用され、再構成エラーと構造的不整合性を組み合わせた運用リスクスコアがポリシー決定を許容/ブロックする。 政策決定の信頼性は、LIMEとSHAPを用いた機能レベルの説明によって改善される。 WUSTL-IIoT-2021データセットの実験では、HDBSCANは最も高い構造的品質を達成し、一方、多様体ベースのハイパーグラフは、ほぼゼロの汚染で0.9990の純度に達する最高のオラクル整列セキュリティ効果を生んでいる。 同様に、説明可能性モジュールは高い忠実度と安定性を示し、サロゲート分類器の精度は0.9927であり、ラン全体の安定な説明が可能である。 さらに、アブレーション分析により、連合学習は集中訓練と比較して競争的セグメンテーション品質を保ち、ハイパーグラフモデリングは構造的分離とリスク階層化を著しく改善することが示された。

関連論文リスト

• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• Reliable and Private Anonymous Routing for Satellite Constellations [1.9499120576896225]
  この研究は、不安定なトポロジにおいて堅牢なセキュリティと信頼性を提供するために、Loopixmix-networkを進化させる、拡張された匿名アーキテクチャを提案する。 標準ミキシングネットワークを信頼できないような高リンクのボラティリティと断続接続に対抗するために,$(n, k)$消去符号を利用したマルチパストランスポートプロトコルを提案する。 このアーキテクチャはLEO星座の高忠実でパケットレベルのシミュレーションによって検証する。
  論文  参考訳（メタデータ） (2026-02-12T09:43:55Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• Mechanistic Analysis of Circuit Preservation in Federated Learning [0.3823356975862005]
  フェデレートラーニング(FL)は、分散データ上でモデルの協調訓練を可能にするが、その性能は非IIDデータ条件下で著しく低下する。 本稿では、メカニスティック・インタプリタビリティ(MI)のレンズによる標準FedAvgアルゴリズムについて検討し、この故障モードを診断する。
  論文  参考訳（メタデータ） (2025-12-28T19:03:14Z)
• Subgraph Federated Learning via Spectral Methods [52.40322201034717]
  FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。 我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-29T16:22:32Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data [0.0]
  半教師付きコントラスト学習フレームワークに基づくリアルタイム侵入検知システムを提案する。 本手法は, ラベルのないデータを利用して, 正常な動作と攻撃動作を効果的に識別する。 実験結果から,本手法は既存のコントラスト学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-14T21:02:34Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。