Fugu-MT 論文翻訳(概要): DAST: A VLM-LLM Framework for Cross-Interface Anomaly Detection in O-RAN

論文の概要: DAST: A VLM-LLM Framework for Cross-Interface Anomaly Detection in O-RAN

arxiv url: http://arxiv.org/abs/2606.06261v1
Date: Thu, 04 Jun 2026 15:05:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-05 22:39:44.884848
Title: DAST: A VLM-LLM Framework for Cross-Interface Anomaly Detection in O-RAN
Title（参考訳）: DAST:O-RANにおける界面異常検出のためのVLM-LLMフレームワーク
Authors: Francesco Spinelli, Esteban Municio, Pau Baguer, Gines Garcia-Aviles, Xavier Costa-Perez,
Abstract要約: O-RANは、標準化されたオープンインターフェースを介して通信するプログラマブル関数を備えた、分離されたベースバンドスタックを可能にする。 DASTはO-RANにおけるクロスインタフェース異常検出のためのゼロショットマルチエージェントフレームワークである。我々は,O-RANテストベッドから収集した実ネットワークトレースに対して,代表的性能劣化シナリオ下でDASTを評価する。
参考スコア（独自算出の注目度）: 1.5602074555504262
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: O-RAN enables a disaggregated baseband stack with programmable functions that communicate over standardized open interfaces. The same openness that enables multi-vendor composition also expands the attack surface across logically decoupled tiers that make up the compute continuum. Among these threats, Denial-of-Service and performance-degradation attacks, which account for the majority of catalogued O-RAN threats, are particularly difficult to detect. Traditional Time-Series Anomaly Detection (TSAD) methods fail in this new regime where labelled baselines are scarce, threats evolve faster than detectors can be retrained, and the high-dimensional multivariate telemetry overwhelms monolithic inference models. To address these challenges, we present DAST, a zero-shot multi-agent framework for cross-interface anomaly detection in O-RAN that chains a three-stage VLM $\rightarrow$ LLM $\rightarrow$ VLM pipeline. DAST converts multivariate KPI streams into visual representations, scores textual per-interface descriptions against O-RAN domain knowledge, and verifies suspects on high-resolution heatmaps to output the problematic interfaces, the anomalous time intervals, an indicative O-RAN WG11-aligned operational impact rating and the decision rationale. We evaluate DAST on real network traces collected from an O-RAN testbed under representative performance degradation scenarios, achieving 0.910 F1-Score and 0.843 Accuracy, outperforming state-of-the-art TSAD baselines.
Abstract（参考訳）: O-RANは、標準化されたオープンインターフェースを介して通信するプログラマブル関数を備えた、分離されたベースバンドスタックを可能にする。マルチベンダー合成を可能にする同じオープン性は、計算連続体を構成する論理的に分離された層にわたって攻撃面を拡張する。これらの脅威の中で、カタログ化されたO-RAN脅威の大部分を占めるDenial-of-Serviceとパフォーマンス劣化攻撃は、特に検出が難しい。従来の時系列異常検出(TSAD)手法は、ラベル付きベースラインが不足し、検出器の再トレーニングよりも早く脅威が進化し、高次元の多変量テレメトリはモノリシック推論モデルに圧倒される。これらの課題に対処するため,我々は,O-RANにおいて,3段階のVLM $\rightarrow$ LLM $\rightarrow$ VLMパイプラインをチェーンするクロスインターフェース異常検出のためのゼロショットマルチエージェントフレームワークであるDASTを提案する。 DASTは多変量KPIストリームを視覚表現に変換し、O-RANドメイン知識に対してテキスト毎のインタフェース記述をスコアし、高分解能ヒートマップ上の被疑者を検証し、問題のあるインターフェース、異常時間間隔、O-RAN WG11対応の操作的影響評価と決定的根拠を出力する。我々は,O-RANテストベッドから収集した実ネットワークトレース上でDASTを評価し,精度0.910 F1-Scoreと0.843を達成し,最先端のTSADベースラインを上回った。

関連論文リスト

$D^2$-Monitor: Dynamic Safety Monitoring for Diffusion LLMs via Hesitation-Aware Routing [63.49501120848927]
大規模言語モデル(D-LLM)の安全性監視はほとんど未検討である。 D-LLMの2レベル安全モニタであるD2$-Monitorを提案する。 D2$-Monitorは、常にオンのモニターとして軽量プローブを採用して、ヒューズレーションを共同で見積もり、ベース分類を実行する。
論文参考訳（メタデータ） (2026-05-25T14:22:21Z)
Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection [32.301679396929536]
静的な入力フィルタリングから実行対応分析へ、防御パラダイムをシフトするフレームワークであるSysNameを提案する。 SysNameは断片化された操作プリミティブを連続した行動軌跡に合成し、システムアクティビティの全体像を可能にする。実証的な評価により、SysNameは10以上の異なる複合攻撃ベクトルを効果的に検出し、それぞれノードレベルとパスレベルのエンドツーエンド攻撃検出に対して85.3%と66.7%のF1スコアを達成した。
論文参考訳（メタデータ） (2026-03-04T01:59:16Z)
Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文参考訳（メタデータ） (2026-02-04T15:25:02Z)
Towards a Multi-Layer Defence Framework for Securing Near-Real-Time Operations in Open RAN [4.240433132593161]
Open Radio Access Networks (Open RAN)における準リアルタイム(近RT)制御の安全性はますます重要になっている。システムが運用されている間、新しいランタイム脅威は制御ループをターゲットとします。本稿では,近RT RAN Intelligent Controller (RIC) 操作のセキュリティ向上を目的とした多層防御フレームワークを提案する。
論文参考訳（メタデータ） (2025-12-01T12:13:32Z)
Multi-modal Deepfake Detection and Localization with FPN-Transformer [21.022230340898556]
FPN変換器(Feature Pyramid-Transformer)に基づくマルチモーダルディープフェイク検出およびローカライゼーションフレームワークを提案する。マルチスケールな特徴ピラミッドは、R-TLMブロックと局所的な注意機構によって構築され、コンテキスト間の時間的依存関係の結合解析を可能にする。我々は,IJCAI'25 DDL-AVベンチマークの試験セットに対するアプローチを評価し,最終スコア0.7535で良好な性能を示した。
論文参考訳（メタデータ） (2025-11-11T09:33:39Z)
SAJD: Self-Adaptive Jamming Attack Detection in AI/ML Integrated 5G O-RAN Networks [2.1698490675188213]
妨害攻撃はネットワーク性能を著しく損なう可能性があり、O-RANネットワークのセキュリティと信頼性に対する顕著な脅威となる。本稿では,人工知能(AI)/機械学習(ML)統合O-RAN環境におけるジャム攻撃を自律的に検出する,自己適応型ジャムマー検出フレームワークであるSAJDを紹介する。 SAJDフレームワークは,開発したMLベースのxAppを介して,電波妨害のほぼリアルタイムな推測を含む閉ループシステムを形成する。
論文参考訳（メタデータ） (2025-10-10T00:09:09Z)
Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
論文参考訳（メタデータ） (2025-10-03T03:28:18Z)
Insight-LLM: LLM-enhanced Multi-view Fusion in Insider Threat Detection [9.040775027499265]
インサイダー脅威検出に特化した,最初のモジュール型マルチビュー融合フレームワークであるInsight-LLMを提案する。 Insight-LLMは凍結前処理を採用し、低レイテンシとパラメータオーバーヘッドで最先端検出を実現する。
論文参考訳（メタデータ） (2025-09-01T14:31:12Z)
Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文参考訳（メタデータ） (2023-07-01T13:53:14Z)
MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-15T14:11:53Z)

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。