論文の概要: FALCON-C: Flow-based Analysis and Labeling for Connected Vehicular Network Cybersecurity
- arxiv url: http://arxiv.org/abs/2605.24206v1
- Date: Fri, 22 May 2026 20:46:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 18:30:07.294965
- Title: FALCON-C: Flow-based Analysis and Labeling for Connected Vehicular Network Cybersecurity
- Title（参考訳）: FALCON-C: Connected Vehicular Network Cybersecurityのためのフローベース解析とラベリング
- Authors: Joshua Bean, Dimitrios Michael Manias,
- Abstract要約: 電気自動車供給装置(EVSE)がサイバー攻撃の標的として登場した。
本稿では,Cnnected vehicular Network Cybersecurity フレームワークのフローベース解析とラベル作成を提案する。
- 参考スコア（独自算出の注目度）: 1.7474751673489866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Along with the recent rise in popularity of Electric Vehicles (EVs), Electric Vehicle Supply Equipment (EVSE) has emerged as a new target for cyber attacks. Therefore, ensuring the security and integrity of network communication between EVSE components and vehicular clients is a significant challenge that must be addressed. To this end, this paper proposes a Flow-based Analysis and Labeling for COnnected vehicular Network Cybersecurity (FALCON-C) framework. The FALCON-C framework leverages an autoencoder for anomaly detection and is trained on a small number of benign flows from the CICEVSE2024 dataset. The model's objective is to model benign flow behavior and identify malicious flows by detecting statistically different reconstruction error profiles. The results demonstrate that the model can successfully identify malicious flows, achieving 100% accuracy. Initially, some benign flows were misclassified as malicious, resulting in a suboptimal false positive rate. A thorough analysis of the autoencoder's performance and the nature of misclassified flows led to the development of a refined decision boundary, improving the framework's performance by 8.6%. FALCON-C is intended to support Security Operations Center activities by automating flow labeling, leading to the enhanced curation of reliable datasets that can be used for various activities, including threat modeling and hunting, decision auditing, and intrusion detection system refinement.
- Abstract（参考訳）: 近年の電気自動車(EV)の普及に伴い、電気自動車供給装置(EVSE)がサイバー攻撃の新たな標的として浮上している。
したがって、EVSEコンポーネントと車載クライアント間のネットワーク通信のセキュリティと整合性を保証することは、対処しなければならない重要な課題である。
そこで本研究では,コネクテッド車両ネットワークセキュリティ(FALCON-C)フレームワークのフローベース解析とラベル作成を提案する。
FALCON-Cフレームワークは、異常検出のためのオートエンコーダを活用し、CICEVSE2024データセットからの少数の良性フローに基づいてトレーニングされる。
モデルの目的は、統計的に異なる再構成誤差プロファイルを検出して、良性フローの挙動をモデル化し、悪意のあるフローを特定することである。
その結果、モデルが100%の精度で悪意のあるフローを識別できることが判明した。
当初は、いくつかの良性フローは悪意のあるものと誤分類され、結果として準最適偽陽性率となった。
オートエンコーダの性能と非分類フローの性質を徹底的に分析した結果、洗練された決定境界が開発され、フレームワークのパフォーマンスが8.6%向上した。
FALCON-Cは、フローラベリングを自動化することでセキュリティオペレーションセンターの活動をサポートすることを目的としており、脅威モデリングや狩猟、意思決定監査、侵入検知システムの改良など、さまざまな活動に使用できる信頼性の高いデータセットのキュレーションが強化される。
関連論文リスト
- Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。
この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。
また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
論文 参考訳（メタデータ） (2026-03-26T18:42:57Z) - A Blueprint for Self-Evolving Coding Agents in Vehicle Aerodynamic Drag Prediction [9.020568132598827]
本稿では, 産業制約下でのドラッグ係数$C_d$を予測するために, 実行可能サロゲートパイプラインを検出する自己進化型符号化エージェントの契約中心の青写真を提案する。
この方法は、静的モデルインスタンスではなく、プログラム上の制約付き最適化としてサロゲート発見を定式化する。
厳しい評価契約は、任意の候補が承認される前に、漏洩防止、決定論的リプレイ、マルチシード、ロバスト性、資源予算を強制する。
論文 参考訳（メタデータ） (2026-03-23T08:36:57Z) - SEAL-Tag: Self-Tag Evidence Aggregation with Probabilistic Circuits for PII-Safe Retrieval-Augmented Generation [36.47163805456756]
SEAL-Tagは個人識別可能な情報を保護するランタイム環境(PII)
SEAL-TagはSEAL-Probeプロトコルを導入し、監査を構造化されたツール使用操作に変換し、モデルがそのドラフトと共に検証可能なPII-Evidence Table(PET)を生成する。
プライバシ"コールドスタート"問題を克服するため,S0-S6アンコレッド合成パイプラインを導入し,高忠実で実証されたRAGインタラクションを生成する。
論文 参考訳（メタデータ） (2026-03-18T02:40:54Z) - FP-Predictor - False Positive Prediction for Static Analysis Reports [5.4164223824711755]
この研究は、静的アプリケーションセキュリティテスト(SAST)レポートを真で偽陽性と予測するために設計されたグラフ畳み込みネットワーク(GCN)モデルを示す。
このモデルは静的解析結果から構築されたコードプロパティグラフ(CPG)を利用して、コード内の構造的および意味的な関係をキャプチャする。
CryptoAPI-Benchベンチマークの評価では、このモデルの実用性を示し、全体の精度は96.6%に達した。
論文 参考訳（メタデータ） (2026-03-11T09:05:39Z) - A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks [0.2708211191235587]
本研究の目的は、ドローンネットワークに適した堅牢で解釈可能な侵入検知フレームワークを開発することである。
我々は、ラベル付きデータセットでトレーニングされたランダムフォレスト、エクストラツリー、AdaBoost、CatBoost、XGBoostといったアンサンブルベースの機械学習モデルの比較分析を行う。
提案するアプローチは、ほぼ完全な精度を提供するだけでなく、解釈可能性も保証し、リアルタイムかつ安全クリティカルなドローン操作に非常に適している。
論文 参考訳（メタデータ） (2025-09-23T00:59:21Z) - A Kolmogorov-Arnold Network for Interpretable Cyberattack Detection in AGC Systems [1.5701326192371186]
本研究では, AGCシステムにおけるFDIA検出の解釈可能かつ正確な手法として, Kolmogorov-Arnold Networks (KAN) を提案する。
Kanモデルはシンボリック方程式を抽出する手法を含み、それによって機械学習モデルの大多数よりも解釈可能性を高めることができる。
提案手法は, 初期モデルと記号式でそれぞれ95.97%, 95.9%のFDIA検出率を達成できることを確認した。
論文 参考訳（メタデータ） (2025-09-05T17:18:17Z) - Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection [38.083049237330826]
本研究では,CWE(Common Weaknessions)を用いたPythonコードの識別をシミュレーションすることにより,ソフトウェア脆弱性評価におけるLLM(Large Language Models)の利用について検討する。
その結果,ゼロショットプロンプトは性能が低いが,少数ショットプロンプトは分類性能を著しく向上させることがわかった。
モデル信頼性、解釈可能性、敵の堅牢性といった課題は、将来の研究にとって重要な領域のままである。
論文 参考訳（メタデータ） (2025-06-11T18:43:51Z) - Automated Phishing Detection Using URLs and Webpages [35.66275851732625]
LLMエージェントフレームワークの開発により,従来の参照型フィッシング検出の制約に対処する。
このエージェントは、Large Language Modelsを利用して、積極的にオンライン情報を取得し、活用する。
我々の手法は0.945の精度で達成され、既存の解(DynaPhish)を0.445で大幅に上回っている。
論文 参考訳（メタデータ） (2024-08-03T05:08:27Z) - Data-Driven Lipschitz Continuity: A Cost-Effective Approach to Improve Adversarial Robustness [47.9744734181236]
我々は、ディープニューラルネットワーク(DNN)の敵攻撃に対する堅牢性を証明するために、リプシッツ連続性の概念を探求する。
本稿では,入力領域を制約範囲に再マップし,リプシッツ定数を低減し,ロバスト性を高める新しいアルゴリズムを提案する。
本手法は,ロバストベンチリーダーボード上のCIFAR10,CIFAR100,ImageNetデータセットに対して,最も堅牢な精度を実現する。
論文 参考訳（メタデータ） (2024-06-28T03:10:36Z) - Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。
本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。
提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
論文 参考訳（メタデータ） (2024-05-25T18:31:20Z)
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。