論文の概要: Certified Causal Attribution for Real-Time Attack Forensics in 6G Network Slicing
- arxiv url: http://arxiv.org/abs/2605.26679v1
- Date: Tue, 26 May 2026 08:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.746342
- Title: Certified Causal Attribution for Real-Time Attack Forensics in 6G Network Slicing
- Title（参考訳）: 6Gネットワークスライシングにおけるリアルタイムアタック鑑定のための認証因果属性
- Authors: Minh K. Quan, Pubudu N. Pathirana,
- Abstract要約: 6Gネットワークにおけるクロススライス攻撃の帰属には,100ms未満の共有インフラストラクチャによる因果伝播連鎖の同定が必要である。
本稿では,資源条件付きグランガー因果関係と公理的に派生したリソースコンテントモデルを統合する,認証因果帰属フレームワークであるDA-GCを提案する。
DA-GCは1,100の攻撃シナリオを持つ15スライス生産エミュレーション6Gテストベッドで、89.2%の属性精度を87msで達成した。
- 参考スコア（独自算出の注目度）: 2.9461530983010196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-slice attack attribution in 6G networks requires identifying causal propagation chains through shared infrastructure in under 100 ms. Existing methods struggle to satisfy this strict SLA without sacrificing accuracy, because shared resource contention creates spurious correlations that are indistinguishable from genuine causal links under standard Granger tests. We propose DA-GC, a certified causal attribution framework that integrates resource-conditioned Granger causality with an axiomatically derived Resource Contention Model (RCM) to systematically block resource-mediated confounding. On a 15-slice production-emulation 6G testbed with 1,100 attack scenarios, DA-GC achieves 89.2% attribution accuracy at 87 ms. This represents a 7.9 percentage-point improvement over the strongest baseline at 2.7x lower latency, alongside demonstrated cross-topology generalization and concept-drift resilience. Crucially, DA-GC is backed by a comprehensive formal certification stack. We provide mathematically proven validity certificates for statistical soundness under serially dependent telemetry and piecewise-stationarity. Furthermore, we establish strict security bounds, including an adversarial utilization spoofing breakdown point of $δ^* \approx 0.95$, and define the minimum differential-privacy noise required for a provably private and robust deployment.
- Abstract（参考訳）: 6Gネットワークにおけるクロススライス攻撃の帰属には,100ms未満の共有インフラストラクチャによる因果伝播連鎖の同定が必要である。既存の手法では,共有リソースの競合が,標準グランガー試験における真の因果リンクと区別できない突発的な相関を生じさせるため,この厳密なSLAを満たすのに苦労している。
本稿では,資源条件付きグランガー因果関係と公理的に派生したリソースコンテントモデル(Resource Contention Model, RCM)を統合し,資源経由のコンバウンディングを体系的にブロックする,認証因果属性フレームワークであるDA-GCを提案する。
1,100の攻撃シナリオを備えた15スライス生産エミュレーション6Gテストベッドで、DA-GCは89.2%の属性精度を87msで達成した。これは2.7倍のレイテンシで最強のベースラインよりも7.9ポイント改善され、クロストポロジーの一般化とコンセプトドリフトレジリエンスが実証された。
重要なことに、DA-GCは包括的な正式な認証スタックによって支えられている。
連続的に依存したテレメトリと片方向の定常性の下で, 統計的健全性に関する数学的に証明された検証証を提供する。
さらに,δ^* \approx 0.95$の逆利用スプーフィングブレークポイントを含む厳密なセキュリティ境界を確立し,確実にプライベートでロバストなデプロイメントに必要な最小差分プライバシノイズを定義する。
関連論文リスト
- Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳（メタデータ） (2026-04-20T16:43:28Z) - GF-Score: Certified Class-Conditional Robustness Evaluation with Fairness Guarantees [1.6058099298620423]
我々は、認定されたGREATスコアをクラスごとの堅牢性プロファイルに分解するフレームワークであるemphGF-Score(GREAT-Fairness Score)を紹介する。
分解は正確であり、クラスごとのスコアは一貫性のある脆弱性パターンを示し、より堅牢なモデルではクラスレベルの格差が大きくなる傾向にある。
これらの結果から,信頼性の高いロバスト性保証がすべてのクラスを平等に保護できないような,実用的なアタックフリー監査パイプラインが確立された。
論文 参考訳（メタデータ） (2026-04-14T14:03:22Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Mitigating Safety Tax via Distribution-Grounded Refinement in Large Reasoning Models [63.368505631152594]
安全調整は、大きな推論モデル(LRM)の一般的な推論能力を乱す安全税を発生させる。
LRMの安全アライメントに使われる既存のデータセットは、通常、外部のLRMまたは人間のラベルから安全推論の痕跡と回答を蒸留することによって構築される。
本稿では,DGRと呼ばれる安全アライメントデータセット構築手法を提案する。DGRは,既存のアウト・オブ・ディストリビューション型安全推論データセットを改良し,目標のLLM内部分布に適合させる。
論文 参考訳（メタデータ） (2026-02-02T14:18:48Z) - L-RAG: Balancing Context and Retrieval with Entropy-Based Lazy Loading [0.0]
Reval-Augmented Generation (RAG) は、大規模言語のアウトプットを現実の知識で基礎づける主要なパラダイムとして登場した。
本稿では,エントロピーゲーティングによる階層型コンテキスト管理を実現する適応型フレームワークL-RAGを紹介する。
L-RAGはより効率的なRAGデプロイメントに向けた実践的でトレーニングなしのアプローチを提供する。
論文 参考訳（メタデータ） (2026-01-10T12:25:19Z) - Natural Geometry of Robust Data Attribution: From Convex Models to Deep Networks [9.553350856191743]
コンベックスモデルからディープネットワークへ拡張するロバスト属性の統一フレームワークを提案する。
凸設定では、検証可能なカバレッジ保証を備えたW-RIF(Wasserstein-Robust Influence Function)を導出する。
ディープネットワークでは、ユークリッド認証がスペクトル増幅によって空白化されることを実証する。
論文 参考訳（メタデータ） (2025-12-09T20:40:27Z) - LLM-Based Agentic Negotiation for 6G: Addressing Uncertainty Neglect and Tail-Event Risk [25.00990717105066]
本稿では,6Gネットワークにおけるエージェント交渉のためのリスク対応フレームワークを提案する。
エージェントの目的を平均の推論から尾の推論へとシフトさせ、最悪の場合の結果に対して統計的に座屈したバッファを構築する。
この信頼性は、わずかに省エネする合理的で定量的なコストを17%に抑え、偏りのあるアプローチの誤った経済を露呈することを示している。
論文 参考訳（メタデータ） (2025-11-24T14:36:11Z) - CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。
タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。
我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
論文 参考訳（メタデータ） (2025-11-01T04:37:01Z) - Domain-Adapted Granger Causality for Real-Time Cross-Slice Attack Attribution in 6G Networks [2.9461530983010196]
6Gネットワークにおけるクロススライス攻撃の属性は、真の因果関係と素因果関係を区別するという課題に直面している。
本稿では、統計的因果推論とネットワーク固有のリソースモデリングを統合した、理論的に基底化されたドメイン適応型グランガー因果関係フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-04T19:56:55Z) - Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。
ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
論文 参考訳（メタデータ） (2021-12-21T12:16:03Z) - Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。
我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
論文 参考訳（メタデータ） (2021-06-21T21:42:08Z)
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。