論文の概要: Active Defense Against False Data Injection Attacks in Robotic Manipulators

• arxiv url: http://arxiv.org/abs/2605.17950v2
• Date: Tue, 19 May 2026 20:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.312888
• Title: Active Defense Against False Data Injection Attacks in Robotic Manipulators
• Title（参考訳）: ロボットマニピュレータにおける偽データ注入攻撃に対するアクティブ・ディフェンス
• Authors: Gabriele Gualandi, Carl Mikael Larsson, Alessandro V. Papadopoulos,
• Abstract要約: 本稿では,有限水平False Data Injection Attacks (FDIA) に対するマニピュレータの弾力性について述べる。 仮想ダンピングとマニピュラビリティの低減という2つの防衛法を定式化し、タスク実行の確率的保証を与える。
• 参考スコア（独自算出の注目度）: 39.82670349250236
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robotic systems are vulnerable to False Data Injection Attacks (FDIAs), where adversaries corrupt sensor signals to gain malicious control. Feedback linearization exposes robotic systems to integrator vulnerability, making them susceptible to stealthy attacks that can cause significant deviations in end-effector behavior without raising alarms. This paper addresses the resilience of manipulators against finite-horizon FDIAs by formalizing two defense methods, namely anomaly-aware virtual damping and manipulability reduction, with probabilistic guarantees on nominal task execution. Simulations on a 7-DOF redundant manipulator show that the proposed defenses substantially reduce the impact of FDIA compared to using solely a threshold-based ADS like the Chi-squared, while preserving nominal task performance in the absence of attack.
• Abstract（参考訳）: ロボットシステムは偽データ注入攻撃 (False Data Injection Attacks, FDIA) に弱い。 フィードバックの線形化は、ロボットシステムをインテグレータの脆弱性に晒し、アラームを発生させることなく、エンドエフェクターの動作に重大なずれを引き起こす、ステルス攻撃を受けやすいようにする。 本稿では,有限水平FDIAに対するマニピュレータの弾力性について述べる。 7-DOF冗長マニピュレータのシミュレーションでは、攻撃がない場合に名目上のタスク性能を保ちながら、Chi-squaredのようなしきい値ベースのADSのみを使用する場合と比較して、FDIAの影響を著しく低減することが示された。

関連論文リスト

• Cyber-Resilient Digital Twins: Discriminating Attacks for Safe Critical Infrastructure Control [0.0815557531820863]
  i-SDTは、油圧調整された予測モデル、マルチクラス攻撃識別、適応レジリエンス制御を組み合わせた。 SWaTとWADIデータセットの評価では、検出精度が大幅に向上し、44.1%の誤報が減少し、56.3%の運用コストが削減された。
  論文  参考訳（メタデータ） (2026-03-19T08:33:21Z)
• From Passive Monitoring to Active Defence: Resilient Control of Manipulators Under Cyberattacks [42.72791770760975]
  FDIA(False Data Injection attack)は、アラームを発生させることなく、実質的なエンドエフェクタ偏差を発生させる。 本稿では、冗長マニピュレータのステルス型FDIAに対するレジリエンスについて検討し、パッシブモニタリングからアクティブディフェンスへアーキテクチャを進化させる。
  論文  参考訳（メタデータ） (2026-03-13T14:08:41Z)
• FAROS: Robust Federated Learning with Adaptive Scaling against Backdoor Attacks [9.466036066320946]
  バックドア攻撃は連邦学習(FL)に重大な脅威をもたらす 適応微分スケーリング(ADS)とロバストコアセットコンピューティング(RCC)を組み合わせた拡張FLフレームワークであるFAROSを提案する。 RCCは、最も信頼性の高いクライアントからなるコアセットのセントロイドを計算することで、単一ポイント障害のリスクを効果的に軽減する。
  論文  参考訳（メタデータ） (2026-01-05T06:55:35Z)
• TabVLA: Targeted Backdoor Attacks on Vision-Language-Action Models [63.51290426425441]
  バックドア付きVLAエージェントは、プレインジェクトされたバックドアによって隠蔽的にトリガーされ、敵のアクションを実行することができる。 我々は,VLAモデルに対するターゲットバックドア攻撃について検討し,ブラックボックスファインチューニングによる攻撃を可能にする新しいフレームワークであるTabVLAを紹介した。 我々の研究は、バックドア操作をターゲットにしたVLAモデルの脆弱性を強調し、より高度な防御の必要性を強調します。
  論文  参考訳（メタデータ） (2025-10-13T02:45:48Z)
• DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models [50.21378052667732]
  我々は、ステップ内およびステップ間ダイナミクスという2つの異なる次元にわたるジェイルブレイク攻撃に対して、dLLM脆弱性の詳細な分析を行う。 デュアルステージアプローチによる脆弱性に対処する,トレーニング不要な防御フレームワークであるDiffuGuardを提案する。
  論文  参考訳（メタデータ） (2025-09-29T05:17:10Z)
• Adversarial Attacks on Deep Learning-Based False Data Injection Detection in Differential Relays [3.4061238650474666]
  本稿では,False Data Injection Attacks (FDIA) に使用される既存のディープラーニングベーススキーム (DLS) を,FDIA(False Data Injection Attacks) としてスマートグリッドで回避できることを示す。 本稿では, DLS 脆弱性を利用したFast Gradient Sign Method を利用した新たな攻撃フレームワークを提案する。 本研究は,DLSに基づくFDIA検出に対する敵対的攻撃による重大な脅威を浮き彫りにし,スマートグリッドにおける堅牢なサイバーセキュリティ対策の必要性を浮き彫りにし,対戦型FDIAに対するモデルロバスト性を高めるための対戦型トレーニングの有効性を示した。
  論文  参考訳（メタデータ） (2025-06-24T04:22:26Z)
• Enabling Privacy-Preserving Cyber Threat Detection with Federated Learning [4.475514208635884]
  本研究は, プライバシー保護型サイバー脅威検出のための学習の可能性について, 有効性, ビザンチンレジリエンス, 効率の観点から, 体系的に検証した。 FLトレーニングされた検出モデルは、中央訓練された検出モデルに匹敵する性能が得られることを示す。 現実的な脅威モデルの下では、FLはデータ中毒とモデル中毒の両方の攻撃に対して抵抗性があることが判明した。
  論文  参考訳（メタデータ） (2024-04-08T01:16:56Z)
• Adversarial defense for automatic speaker verification by cascaded self-supervised learning models [101.42920161993455]
  ますます悪意のある攻撃者は、自動話者検証(ASV)システムで敵攻撃を仕掛けようとする。 本稿では,逐次的自己教師付き学習モデルに基づく標準的かつ攻撃非依存な手法を提案する。 実験により, 本手法は効果的な防御性能を実現し, 敵攻撃に対抗できることを示した。
  論文  参考訳（メタデータ） (2021-02-14T01:56:43Z)
• Investigating Robustness of Adversarial Samples Detection for Automatic Speaker Verification [78.51092318750102]
  本研究は,ASVシステムに対して,別個の検出ネットワークによる敵攻撃から防御することを提案する。 VGGライクな二分分類検出器を導入し、対向サンプルの検出に有効であることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T04:31:56Z)

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。