論文の概要: Clustering-Enhanced Domain Adaptation for Cross-Domain Intrusion Detection in Industrial Control Systems

• arxiv url: http://arxiv.org/abs/2604.12183v1
• Date: Tue, 14 Apr 2026 01:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.186269
• Title: Clustering-Enhanced Domain Adaptation for Cross-Domain Intrusion Detection in Industrial Control Systems
• Title（参考訳）: 産業制御システムにおけるクロスドメイン侵入検出のためのクラスタリング強化ドメイン適応
• Authors: Luyao Wang,
• Abstract要約: 本稿では,産業用制御トラフィックに対するクラスタリング強化ドメイン適応手法を提案する。 検出精度を最大49%向上させ、Fスコアを大きく向上させ、安定性を向上する。
• 参考スコア（独自算出の注目度）: 3.3094150141097747
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Industrial control systems operate in dynamic environments where traffic distributions vary across scenarios, labeled samples are limited, and unknown attacks frequently emerge, posing significant challenges to cross-domain intrusion detection. To address this issue, this paper proposes a clustering-enhanced domain adaptation method for industrial control traffic. The framework contains two key components. First, a feature-based transfer learning module projects source and target domains into a shared latent subspace through spectral-transform-based feature alignment and iteratively reduces distribution discrepancies, enabling accurate cross-domain detection. Second, a clustering enhancement strategy combines K-Medoids clustering with PCA-based dimensionality reduction to improve cross-domain correlation estimation and reduce performance degradation caused by manual parameter tuning. Experimental results show that the proposed method significantly improves unknown attack detection. Compared with five baseline models, it increases detection accuracy by up to 49%, achieves larger gains in F-score, and demonstrates stronger stability. Moreover, the clustering enhancement strategy further boosts detection accuracy by up to 26% on representative tasks. These results suggest that the proposed method effectively alleviates data scarcity and domain shift, providing a practical solution for robust cross-domain intrusion detection in dynamic industrial environments.
• Abstract（参考訳）: 産業制御システムは、トラフィック分布がシナリオによって異なる動的環境で動作し、ラベル付きサンプルが限定され、未知の攻撃が頻繁に発生し、クロスドメイン侵入検出に重大な課題を生じさせる。 そこで本研究では,産業用制御トラフィックに対するクラスタリング強化ドメイン適応手法を提案する。 フレームワークには2つの重要なコンポーネントが含まれている。 第一に、スペクトル変換に基づく特徴アライメントにより、特徴ベース転送学習モジュールは、ソースとターゲットドメインを共有潜在部分空間にプロジェクションし、分布の相違を反復的に低減し、正確なクロスドメイン検出を可能にする。 第2に、クラスタリング強化戦略はK-メドイドとPCAに基づく次元減少を組み合わせ、クロスドメイン相関推定を改善し、手動パラメータチューニングによる性能劣化を低減する。 実験の結果,提案手法は未知の攻撃検出を著しく改善することがわかった。 5つのベースラインモデルと比較して、検出精度を最大49%向上させ、Fスコアを大きく向上させ、安定性を向上する。 さらに、クラスタリング強化戦略は、代表タスクにおいて、検出精度を最大26%向上させる。 これらの結果から,データ不足とドメインシフトを効果的に軽減し,動的産業環境における堅牢なクロスドメイン侵入検出のための実用的なソリューションを提供する可能性が示唆された。

関連論文リスト

• Exploring Robust Intrusion Detection: A Benchmark Study of Feature Transferability in IoT Botnet Attack Detection [46.724153214302184]
  クロスドメイン侵入検出は、ネットワークのトラフィック特性と環境間の特徴分布に大きなばらつきがあるため、依然として重要な課題である。 本研究では、異種IoTおよび産業用IoTネットワーク条件を表す4つの広く使用されているデータセット間で、広く使用されている3つのフローベースの特徴セット(Argus、Zeek、CICFlowMeter)の転送可能性を評価する。
  論文  参考訳（メタデータ） (2026-02-27T10:16:28Z)
• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Two-Stage Adaptive Network for Semi-Supervised Cross-Domain Crater Detection under Varying Scenario Distributions [17.28368878719324]
  クロスクレーター検出のための2段階適応ネットワーク(TAN)を提案する。 我々のネットワークはYOLOv5検出器上に構築されており、そこではクロスドメインの一般化能力を高めるために一連の戦略が採用されている。 ベンチマークデータセットによる実験結果から,提案するネットワークは,様々なシナリオ分布下でのクレーター検出の領域適応性を向上できることが示された。
  論文  参考訳（メタデータ） (2023-12-11T07:16:49Z)
• MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
  セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。 これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。 長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:55:22Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for Multi-Source Domain Adaptation [2.734665397040629]
  マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。 異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。 本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:08:41Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)

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。