論文の概要: Ti-iLSTM: A TinyDL Approach for Logic-Level Anomaly Detection in Industrial Water Treatment Systems

• arxiv url: http://arxiv.org/abs/2605.15874v1
• Date: Fri, 15 May 2026 11:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.270311
• Title: Ti-iLSTM: A TinyDL Approach for Logic-Level Anomaly Detection in Industrial Water Treatment Systems
• Title（参考訳）: Ti-iLSTM:産業用水処理システムにおける論理レベル異常検出のためのTinyDLアプローチ
• Authors: Mandar Joshi, Farzana Zahid, Judy Bowen, Matthew M. Y. Kuo, Valeriy Vyatkin, Emil Karlsson,
• Abstract要約: 本稿では,Tiny Deep Learning (TinyDL) の可能性を探る。 長短メモリ(LSTM)のメモリとスペースフットプリントを最適化する新しいフレームワークであるTinyDLベースのインクリメンタルLSTM(Ti-iLSTM)を提案する。 公開されているSWaTデータセットの実験では、最適化されたモデルが高い検出性能を達成することが示されている。
• 参考スコア（独自算出の注目度）: 4.779664208553742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial Water Treatment Systems (IWTS) are safety critical cyber-physical infrastructures and due to increased connectivity, these systems are exposed to cyber threats that can manipulate process behaviour without creating obvious devices outliers. In particular, logic-layer deception anomalies can preserve numerically plausible measurements while breaking expected cause-and-effect relationships in the control process. These attacks are difficult to detect using threshold-based monitoring or require heavy server-oriented anomaly detection models. This paper explores the potential of Tiny Deep Learning (TinyDL) to provide lightweight on-device logic-level anomaly detection for resource constrained Programmable Logic Controllers (PLCs). We propose a novel framework, TinyDL-based incremental LSTM (Ti-iLSTM) which optimises the memory and space foot print of Long Short-Term Memory (LSTM), to detect logic-layer inconsistencies in Programmable Logic Controller (PLC) based Industrial Water Treatment Systems (IWTS). Experiments on the publicly available SWaT dataset show that the optimised model achieves high detection performance (F1-score=0.983 and ROC-AUC=0.998). A deployment-style validation on the WADI dataset confirms that the proposed light-weight framework remains applicable beyond a single dataset. The research demonstrates that combining logic-aware supervision with Tiny Deep Learning (TinyDL) sequence learning creates an efficient and accurate anomaly detection suitable for resource constrained Programmable Logic Controllers (PLCs) in industrial environments.
• Abstract（参考訳）: 産業用水処理システム(IWTS)は安全に重要なサイバー物理インフラであり、接続性の向上により、これらのシステムは明らかな装置の異常を発生させることなくプロセスの動作を操作できるサイバー脅威にさらされる。 特に、論理層偽造異常は、制御過程における期待される原因と効果の関係を破りながら、数値的に妥当な測定値を保持することができる。 これらの攻撃はしきい値に基づく監視や、サーバ指向の重い異常検出モデルを必要とするため、検出が困難である。 本稿では,リソース制約付きProgrammable Logic Controller (PLC) に対して,Tiny Deep Learning (TinyDL) が軽量なオンデバイス論理レベルの異常検出を実現する可能性について検討する。 本稿では,Long Short-Term Memory(LSTM)のメモリと空間プリントを最適化したTinyDLベースのインクリメンタルLSTM(Ti-iLSTM)を提案し,PLCベースの産業用水処理システム(IWTS)における論理層不整合を検出する。 一般に公開されているSWaTデータセットの実験では、最適化されたモデルは高い検出性能を達成する(F1-score=0.983とROC-AUC=0.998)。 WADIデータセット上のデプロイメントスタイルの検証では、提案された軽量フレームワークが単一のデータセットを越えて適用可能であることが確認されている。 本研究は,Tiny Deep Learning (TinyDL) シーケンスラーニングと論理認識を併用することにより,産業環境における資源制約型プログラマブルロジックコントローラ(PLC)に適した,効率的かつ正確な異常検出を実現することを実証する。

関連論文リスト

• Systematic Integration of Digital Twins and Constrained LLMs for Interpretable Cyber-Physical Anomaly Detection [0.0]
  産業制御システム(ICS)を標的としたサイバー攻撃は、ますます洗練され、識別が困難になっている。 このような攻撃を検知するには、低レベルの振る舞いキューと高レベルのセマンティック解釈を統合する必要がある。 本稿では,Digital Twin(DT)によるハイブリッド検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-04T16:38:12Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Machine Learning-Based Framework for Real Time Detection and Early Prediction of Control Valve Stiction in Industrial Control Systems [0.0]
  制御バルブスタイクションは、不安定性、機器の摩耗、メンテナンスコストの上昇を引き起こす産業プロセスシステムにおいて一般的な欠点である。 本研究では,日常的に収集されるプロセス信号のみを用いて,スティクションの検出と予測を行う機械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を既存の制御システムに統合することで,予測メンテナンスをサポートし,ダウンタイムを低減し,不要なハードウェア置換を回避することができる。
  論文  参考訳（メタデータ） (2026-01-18T11:34:48Z)
• LLM-Enhanced Reinforcement Learning for Time Series Anomaly Detection [1.1852406625172216]
  時系列異常検出は、しばしばスパースラベル、複雑な時間パターン、高価な専門家アノテーションに悩まされる。 本稿では,LL(Reinforcement Learning),VAE(Variational Autoencoder)の強化された動的報酬スケーリング,ラベル伝搬によるアクティブラーニングを併用した,LLM(Large Language Model)に基づく報酬形成機能の統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T19:33:30Z)
• Architecting software monitors for control-flow anomaly detection through large language models and conformance checking [4.824526467228295]
  本稿では,制御フロー異常検出のためのソフトウェアモニタの開発手法を提案する。 この方法論は、従来のV&Vを維持するために、既存のソフトウェア開発プラクティスに基づいています。 本手法は,欧州鉄道交通管理システム (European Railway Traffic Management System / European Train Control System) のケーススタディシナリオで検証する。
  論文  参考訳（メタデータ） (2025-11-14T01:11:26Z)
• Periodic Online Testing for Sparse Systolic Tensor Arrays [0.0]
  モダン機械学習(ML)アプリケーションは、しばしば構造化されたスパーシティの恩恵を受ける。これは、モデルの複雑さを効率的に低減し、ハードウェア内のスパースデータの処理を単純化するテクニックである。 本稿では,ベクトルの開始前にスパルス・シストリック・テンソルアレイ内の永久断層を検出し,検出するオンラインエラーチェック手法を提案する。
  論文  参考訳（メタデータ） (2025-04-25T18:10:45Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• Certified Reinforcement Learning with Logic Guidance [78.2286146954051]
  線形時間論理(LTL)を用いて未知の連続状態/動作マルコフ決定過程(MDP)のゴールを定式化できるモデルフリーなRLアルゴリズムを提案する。 このアルゴリズムは、トレースが仕様を最大確率で満たす制御ポリシーを合成することが保証される。
  論文  参考訳（メタデータ） (2019-02-02T20:09:32Z)

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。