論文の概要: Medoid Prototype Alignment for Cross-Plant Unknown Attack Detection in Industrial Control Systems
- arxiv url: http://arxiv.org/abs/2604.25544v1
- Date: Tue, 28 Apr 2026 12:10:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.844535
- Title: Medoid Prototype Alignment for Cross-Plant Unknown Attack Detection in Industrial Control Systems
- Title（参考訳）: 産業制御システムにおけるクロスプラン未知攻撃検出のためのメドイド型アライメント
- Authors: Luyao Wang,
- Abstract要約: 本稿では, クロスプラント未知の攻撃検出のためのメドイドプロトタイプアライメントフレームワークを提案する。
すべてのソースとターゲットのサンプルを直接アライメントする代わりに、このメソッドはまず異種トラフィックを同等の表現空間に圧縮する。
プロトタイプキャリブレーションされた転送目的は、ソースドメインの識別を保ちながら、ターゲットプロトタイプをソースプロトタイプと整列するように設計されている。
- 参考スコア（独自算出の注目度）: 3.3094150141097747
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Deploying an intrusion detector trained in one industrial plant to another remains difficult because Industrial Control System (ICS) traffic is highly site-dependent, labels are scarce, and unseen attacks often appear after deployment. To address this challenge, this paper introduces a medoid prototype alignment framework for cross-plant unknown attack detection. Instead of aligning all source and target samples directly, the method first compresses heterogeneous traffic into a comparable representation space and then extracts robust medoid prototypes that summarize local operational structure in each domain. A prototype-calibrated transfer objective is further designed to align target prototypes with source prototypes while preserving source-domain discrimination and encouraging confident target predictions. This strategy reduces noisy cross-domain matching and improves transfer stability under heterogeneous industrial conditions. Experiments conducted on natural gas and water storage control systems show that the proposed method achieves the best average performance among all compared models, reaching an average accuracy of 0.843 and an average F1-score of 0.838 across four unknown-attack transfer tasks. The analysis also shows clear transfer asymmetry between source-target directions and confirms that prototype guidance is especially helpful on challenging reverse-transfer settings. These findings suggest that medoid prototype alignment is a practical solution for robust industrial intrusion detection under domain shift.
- Abstract（参考訳）: ある工場で訓練された侵入検知器を別の工場に展開することは、産業制御システム(ICS)のトラフィックが高度にサイトに依存しており、ラベルが乏しく、展開後に見知らぬ攻撃がしばしば現れるため、依然として困難である。
この課題に対処するために, クロスプラント未知の攻撃検出のためのメドイドプロトタイプアライメントフレームワークを提案する。
すべてのソースとターゲットのサンプルを直接アライメントする代わりに、この手法はまず異種トラフィックを同等の表現空間に圧縮し、各ドメインのローカルな操作構造を要約したロバストなメドイドプロトタイプを抽出する。
プロトタイプキャリブレーションされた転送目的は、ソースドメインの識別を保ち、自信あるターゲット予測を奨励しながら、ターゲットプロトタイプをソースプロトタイプと整合させるように設計されている。
この戦略は、ノイズの多いクロスドメインマッチングを低減し、異種産業条件下での転送安定性を向上させる。
天然ガスおよび貯水システムを用いた実験により, 提案手法は, 4つの未知の攻撃伝達タスクにおいて, 平均精度0.843, 平均F1スコア0.838に達した。
この分析は、ソースターゲット方向間の明確な転送非対称性を示し、プロトタイプガイダンスが特に、逆転送設定の挑戦に有用であることを確認した。
これらの結果から,メドイドのプロトタイプアライメントは,ドメインシフト下でのロバストな産業侵入検出の実用的な解決法であることが示唆された。
関連論文リスト
- Clustering-Enhanced Domain Adaptation for Cross-Domain Intrusion Detection in Industrial Control Systems [3.3094150141097747]
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。
論文 参考訳（メタデータ） (2026-04-14T01:25:59Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。
中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。
本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
論文 参考訳（メタデータ） (2025-07-09T20:09:00Z) - 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) - Prototypical Contrastive Learning through Alignment and Uniformity for
Recommendation [6.790779112538357]
提案するアンダーライン・アライメントとアンダーライン・ユニフォーマル性によるインダーライン型コントラスト学習について述べる。
具体的には、まず、原点グラフから異なる拡張点間の整合性を確保するために、潜時空間としてプロトタイプを提案する。
明示的な負の欠如は、インスタンスとプロトタイプ間の整合性損失を直接最適化することで、次元的な崩壊の問題が容易に生じることを意味する。
論文 参考訳（メタデータ） (2024-02-03T08:19:26Z) - ODDR: Outlier Detection & Dimension Reduction Based Defense Against Adversarial Patches [4.4100683691177816]
敵対的攻撃は、機械学習モデルの信頼性の高いデプロイに重大な課題をもたらす。
パッチベースの敵攻撃に対処するための総合的な防御戦略である外乱検出・次元削減(ODDR)を提案する。
提案手法は,逆パッチに対応する入力特徴を外れ値として同定できるという観測に基づいている。
論文 参考訳（メタデータ） (2023-11-20T11:08:06Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - Unsupervised Out-of-Domain Detection via Pre-trained Transformers [56.689635664358256]
ドメイン外の入力は予測不能なアウトプットを引き起こし、時には破滅的な安全性の問題を引き起こす。
本研究は、教師なしのドメイン内データのみを用いて、ドメイン外サンプルを検出する問題に対処する。
検出精度を高めるために、ドメイン固有の2つの微調整手法が提案されている。
論文 参考訳（メタデータ） (2021-06-02T05:21:25Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z)
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。