論文の概要: ASTRO: Adaptive Spatio-Temporal Reinforcement Optimization for GNN Powered Anomly Detection in Cyber Physical Systems

• arxiv url: http://arxiv.org/abs/2605.25135v1
• Date: Sun, 24 May 2026 15:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.854266
• Title: ASTRO: Adaptive Spatio-Temporal Reinforcement Optimization for GNN Powered Anomly Detection in Cyber Physical Systems
• Title（参考訳）: ASTRO:サイバー物理システムにおけるGNN出力異常検出のための適応時空間強化最適化
• Authors: Rai Ali Yar, Umaisa Lail, Anwar Shah,
• Abstract要約: 本稿では,新しい異常検出フレームワークASTRO(Adaptive Spatio-Temporal Reinforcement Optimization ASTRO)を紹介する。 深層Q-Network(DQN)とグラフニューラルネットワーク(GNN)、時間的モデリング、マルチヘッドアテンション機構を統合することで、ASTROはその決定境界を継続的に適用し、検出精度を向上させる。 ASTROのアプローチは、SWaT(Secure Water Treatment)とWADI(Water Distribution)という2つの実世界の産業ベンチマークで評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in Industrial Internet of Things (IIoT) environments is essential to protect the Industrial Control Systems (ICS) and Cyber-Physical Systems (CPS) from occuring run time false data injection and other malicious attacks. The increasing complexity of sensor networks and interconnected control loops makes it difficult to identify anomalous behavior hidden within high-dimensional and time-dependent signals. To address these challenges, this article introduces Adaptive Spatio-Temporal Reinforcement Optimization ASTRO (ASTRO), a novel anomaly detection framework that pioneers the use of reinforcement learning for dynamic threshold optimization. By integrating a Deep Q-Network (DQN) with Graph Neural Networks (GNNs), temporal modelling and a Multi-Head Attention mechanism, ASTRO continuously adapts its decision boundaries to improve detection accuracy. The GNN component models the spatial relations among sensors, Temporal model captures time series dependencies and the attention layer highlights most informative time steps. The model generates continuous anomaly scores, which are transformed into binary decisions using an adaptive threshold, optimized via a Deep Q-Network (DQN). The ASTRO approach is evaluated on two real world industrial benchmarks: the Secure Water Treatment (SWaT) and Water Distribution (WADI) datasets. The proposed model achieves an exceptional performance on the SWaT with F1 score of 0.990. Moreover, on highly complex 127 end devices WADI dataset, it secures F1 score of 0.788, outperforming state-of-the-art baselines by nearly 14%. Results across multiple runs confirm consistent generalization and stability. These experiments demonstrate that the ASTRO framework is highly practical and scalable method for strengthening the large scale cyber physical infrastructures
• Abstract（参考訳）: 産業用IoT(Industrial Internet of Things)環境における異常検出は,産業用制御システム(ICS)とサイバー物理システム(CPS)を,実行時の偽データ注入やその他の悪意のある攻撃から保護するために不可欠である。 センサネットワークと相互接続された制御ループの複雑さの増大により、高次元信号や時間依存信号に隠された異常な振る舞いの特定が困難になる。 これらの課題に対処するため、本稿では、動的しきい値最適化のための強化学習を先駆する新しい異常検出フレームワークであるAdaptive Spatio-Temporal Reinforcement Optimization ASTRO(ASTRO)を紹介する。 深層Q-Network(DQN)とグラフニューラルネットワーク(GNN)、時間的モデリング、マルチヘッドアテンション機構を統合することで、ASTROはその決定境界を継続的に適用し、検出精度を向上させる。 GNNコンポーネントはセンサ間の空間的関係をモデル化し、テンポラルモデルは時系列依存をキャプチャし、アテンション層は最も有益な時間ステップをハイライトする。 このモデルは、Deep Q-Network (DQN)を介して最適化された適応しきい値を用いてバイナリ決定に変換される連続的な異常スコアを生成する。 ASTROのアプローチは、SWaT(Secure Water Treatment)とWADI(Water Distribution)という2つの実世界の産業ベンチマークで評価されている。 提案モデルでは,F1スコアが0.990のSWaTにおいて,例外的な性能を実現している。 さらに、非常に複雑な127のエンドデバイスWADIデータセットでは、F1スコアの0.788が保証され、最先端のベースラインよりも14%近く向上している。 複数の実行における結果は、一貫した一般化と安定性を確認できる。 これらの実験により、ASTROフレームワークは大規模サイバー物理インフラを強化するための非常に実用的でスケーラブルな方法であることが示された。

関連論文リスト

• Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
  WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。 既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。 本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-23T03:28:12Z)
• HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
  HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。 局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。 既存の手法の精度、F1スコア、精度を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-06T16:15:19Z)
• An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
  1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。 提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
  論文  参考訳（メタデータ） (2025-11-01T10:19:00Z)
• Automated Neural Architecture Design for Industrial Defect Detection [40.72225113019191]
  産業表面欠陥検出(SDD)は製品の品質と製造信頼性を確保するために重要である。 我々は、畳み込み、トランスフォーマー、多層パーセプトロンを共同で検索する、SDDのための自動ニューラルネットワーク設計フレームワークであるAutoNADを提案する。 AutoNADの有効性は、3つの産業的欠陥データセットで検証され、欠陥イメージングと検出プラットフォームでさらに適用される。
  論文  参考訳（メタデータ） (2025-10-08T05:37:59Z)
• CST-AFNet: A dual attention-based deep learning framework for intrusion detection in IoT networks [0.2180739748940442]
  本研究は、IoTネットワークにおけるロバストな侵入検知のための新しいデュアルアテンションベースのディープラーニングフレームワークであるCST AFNetを提案する。 提案モデルでは,15種類の攻撃タイプと良性トラフィックの両方において,優れた精度を実現する。 CST AFNetは、複雑なIoTおよびIIoT環境において、リアルタイムのサイバー脅威検出のための強力でスケーラブルなソリューションであることを確認した。
  論文  参考訳（メタデータ） (2025-10-03T04:36:19Z)
• Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems [0.0]
  重要なインフラ、特に配水システムに対するサイバー攻撃は、急速なデジタル化により増加した。 本研究では,センサデータの時間相関を利用した異常検出における重要な課題に対処する。 本稿では,決定論的ノードと従来の統計ノードの両方を組み込んでTDCを拡張するハイブリッドTDC-AEという,ハイブリッドオートエンコーダに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:22:44Z)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。