論文の概要: Quantum-Inspired Reinforcement Learning for Low-Latency Intrusion Detection in V2X and Internet-of-Vehicles Networks

• arxiv url: http://arxiv.org/abs/2606.07804v1
• Date: Fri, 05 Jun 2026 19:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.404457
• Title: Quantum-Inspired Reinforcement Learning for Low-Latency Intrusion Detection in V2X and Internet-of-Vehicles Networks
• Title（参考訳）: V2XおよびVehiclesネットワークにおける低遅延侵入検出のための量子インスピレーション強化学習
• Authors: Sajid Anwer, Rohan Farooq, Anwar Shah, Tallha Akram,
• Abstract要約: 本稿では,次世代の自律型サイバー防御のための量子インスパイアされた強化学習フレームワークQIRLを提案する。 QIRLは、振幅相量子状態の符号化、回転ゲートに基づく探索、および量子干渉報酬の増大を、コストに敏感なマルコフ決定プロセスの定式化と組み合わせている。 サンプルあたり32.5マイクロ秒と45.7マイクロ秒の超低速で、アンサンブルベースラインの67.77倍、51.77倍のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 0.5098144539782359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart cities increasingly depend on dense edge, IoT, and vehicular networks to deliver critical urban services, including traffic control, connected mobility, infrastructure monitoring, and energy management. In this ecosystem, the Internet of Vehicles (IoV) is central to intelligent transportation, enabling continuous communication among vehicles, roadside infrastructure, and cloud-edge platforms. This connectivity, however, also enlarges the attack surface and exposes smart city and vehicular systems to evolving cyber threats that can compromise safety, privacy, data integrity, and service continuity. Conventional static defenses are often inadequate because they cannot autonomously adapt to changing attack behaviors or multi-stage intrusion patterns. This paper proposes QIRL, a Quantum-Inspired Reinforcement Learning framework built on a lightweight Deep Q-Network architecture for next-generation autonomous cyber defense. QIRL combines amplitude-phase quantum state encoding, rotation-gate-based exploration, and quantum interference reward augmentation within a cost-sensitive Markov Decision Process formulation. It further addresses class imbalance through training-only SMOTE balancing and asymmetric cost-sensitive reward shaping, while sequential MDP modeling captures temporal dependencies in multi-stage attack campaigns. The framework is evaluated on CICIDS2017 and UNSW-NB15. QIRL achieves accuracies of 97.89\% and 91.04\%, F1-scores of 95.22\% and 91.66\%, AUC-ROC values of 0.9945 and 0.9713, and True Skill Statistics of 0.9443 and 0.8244, respectively. It also attains ultra-low inference latencies of 32.5 and 45.7 microseconds per sample, corresponding to 67.77 times and 51.77 times speedups over ensemble baselines. These results show that QIRL offers a lightweight, latency-aware, and adaptive defense for smart city and IoV infrastructures.
• Abstract（参考訳）: スマートシティは、交通制御、コネクテッドモビリティ、インフラ監視、エネルギー管理など、重要な都市サービスを提供するために、ますます密集したエッジ、IoT、車載ネットワークに依存している。 このエコシステムでは、Internet of Vehicles(IoV)はインテリジェントな輸送の中心であり、車両、道路インフラストラクチャ、クラウドエッジプラットフォーム間の継続的な通信を可能にします。 しかし、この接続は攻撃面を拡大し、安全、プライバシー、データの整合性、サービス継続性を損なう可能性のあるサイバー脅威に対してスマートシティと車両システムを公開する。 従来の静的防御は、攻撃行動の変化や多段階の侵入パターンに自律的に適応できないため、しばしば不十分である。 本稿では,次世代の自律サイバー防御のための軽量Qネットワークアーキテクチャ上に構築された量子インスパイアされた強化学習フレームワークであるQIRLを提案する。 QIRLは、振幅相量子状態の符号化、回転ゲートに基づく探索、および量子干渉報酬の増大を、コストに敏感なマルコフ決定プロセスの定式化と組み合わせている。 さらに、トレーニング専用のSMOTEバランスと非対称なコスト感受性報酬形成を通じてクラス不均衡に対処し、シーケンシャルMDPモデリングはマルチステージ攻撃キャンペーンにおける時間的依存関係をキャプチャする。 このフレームワークはCICIDS2017とUNSW-NB15で評価されている。 QIRLは97.89\%と91.04\%、F1スコアは95.22\%、91.66\%、AUC-ROC値は0.9945と0.9713、True Skill Statisticsは0.9443と0.8244である。 また、サンプルあたり32.5マイクロ秒と45.7マイクロ秒の超低推論レイテンシが、アンサンブルベースラインの67.77倍、51.77倍のスピードアップに対応する。 これらの結果から,QIRLはスマートシティとIoVインフラストラクチャに対して,軽量でレイテンシ対応,適応型ディフェンスを提供することが示された。

関連論文リスト

• A Comparative Analysis of Machine Learning Models for Intrusion Detection in Intelligent Transport Systems [0.0]
  エッジコンピューティングノードにおけるAIは、高度な脅威から保護する上で重要な役割を果たす。 この研究はエッジコンピューティングを適用し、レイテンシ、帯域幅効率、サービスの応答性を改善する。 また、エッジノードが分散し、異質で、リソースが制限されることが多いため、サイバー攻撃面も拡張される。
  論文  参考訳（メタデータ） (2026-04-30T22:41:34Z)
• 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)
• Adversarial Robustness Analysis of Cloud-Assisted Autonomous Driving Systems [0.0]
  本稿では,リアルタイム認識,制御,通信を統合し,クラウド支援自動運転の脆弱性を評価するハードウェア・イン・ザ・ループIoVテストベッドを提案する。 クラウド上に展開されたYOLOv8ベースの物体検出器は、FGSM(Fast Gradient Sign Method)とPGD(Projected Gradient Descent)を用いて、ホワイトボックスの敵攻撃を受ける。 その結果、逆方向の摂動は認識性能を著しく低下させ、PGDは検出精度を低下させ、クリーンベースラインでは0.73と0.68と、エプシロン=0.04では0.22と0.15にリコールした。
  論文  参考訳（メタデータ） (2026-04-06T01:54:41Z)
• Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
  低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。 潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。 提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
  論文  参考訳（メタデータ） (2026-02-27T04:30:35Z)
• PHANTOM: PHysical ANamorphic Threats Obstructing Connected Vehicle Mobility [1.9336815376402718]
  接続された自動運転車(CAV)は、視覚ベースのディープニューラルネットワーク(DNN)と低レイテンシ(Vehicle-to-Everything)V2X通信に依存して、安全かつ効率的にナビゲートする。 我々は、視点に依存した敵の例を作成し、展開するための新しいフレームワークであるPHANTOMを紹介した。 PHANTOMは、人間には自然なように見える幾何学的歪みを利用しており、最先端の物体検出器によって高い信頼性で分類されている。
  論文  参考訳（メタデータ） (2025-12-15T06:05:38Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Machine Learning-Based Detection of DDoS Attacks in VANETs for Emergency Vehicle Communication [0.0]
  Vehicular Ad Hoc Networks (VANETs) はIntelligent Transportation Systems (ITS) において重要な役割を担っている。 本研究では、高速道路ベースのVANET環境におけるDDoS攻撃を検出する堅牢でスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-12T07:00:04Z)
• Cyber-Twin: Digital Twin-boosted Autonomous Attack Detection for Vehicular Ad-Hoc Networks [8.07947129445779]
  Vehicular Ad-hoc NETworks(VANETs)の急速な進化は、インテリジェントトランスポートシステム(ITS)の転換期へと導いてきた。 VANETは、妨害やDDoS(Distributed Denial of Service)攻撃など、サイバー攻撃の影響を受けやすくなっている。 既存の方法は、動的攻撃を検出し、VANETサイバーセキュリティを強化するためにデジタルツイン技術と人工知能(AI)モデルを統合するのに困難に直面している。 本研究では、VANETにおけるRSUのセキュリティを高めるために、デジタルツイン技術とAIを組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-25T08:05:41Z)
• DynamiQS: Quantum Secure Authentication for Dynamic Charging of Electric Vehicles [61.394095512765304]
  Dynamic Wireless Power Transfer (DWPT)は、電気自動車を運転中に充電できる新しい技術である。 量子コンピューティングの最近の進歩は、古典的な公開鍵暗号を危険にさらしている。 動的ワイヤレス充電のための第1量子後セキュア認証プロトコルであるDynamiQSを提案する。
  論文  参考訳（メタデータ） (2023-12-20T09:40:45Z)
• Reinforcement Learning based Cyberattack Model for Adaptive Traffic Signal Controller in Connected Transportation Systems [61.39400591328625]
  接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。 この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。 そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。 RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
  論文  参考訳（メタデータ） (2022-10-31T20:12:17Z)

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。