論文の概要: DroneShield-AI: A Multi-Modal Sensor Fusion Framework for Real-Time Autonomous Drone Threat Detection, Behavioral Intent Classification, and Swarm Intelligence in Contested Airspace

• arxiv url: http://arxiv.org/abs/2606.11687v1
• Date: Wed, 10 Jun 2026 06:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.317568
• Title: DroneShield-AI: A Multi-Modal Sensor Fusion Framework for Real-Time Autonomous Drone Threat Detection, Behavioral Intent Classification, and Swarm Intelligence in Contested Airspace
• Title（参考訳）: DroneShield-AI: 実時間自律型ドローン脅威検出のためのマルチモーダルセンサフュージョンフレームワーク
• Authors: Marius Bayizere,
• Abstract要約: DroneShield-AIは、6つの処理層を統合する統一されたオープンフレームワークである。 BICEは、ドローンの飛行パターンに対する最初の体系的な6クラスの脅威分類を導入した。 GNN-SIMは, 対向多面体生成解析のための最初のオープンフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned Aerial Vehicle (UAV) threats have emerged as a defining security challenge of the 21st century. This paper presents DroneShield-AI, a unified open framework integrating six processing layers: RF signal classification, acoustic motor-signature detection, YOLOv8-based visual detection, evidence-weighted sensor fusion, a Behavioral Intent Classification Engine (BICE), and a Graph Neural Network Swarm Intelligence Module (GNN-SIM). BICE introduces the first systematic six-class threat taxonomy for drone flight patterns, enabling predictive operator alerts with a 30-second advance-warning horizon. GNN-SIM is the first open framework for adversarial multi-drone formation analysis using Graph Attention Networks. Evaluated on three publicly available real-world datasets, the fused pipeline achieves 96.1% detection accuracy, 3.2% false alarm rate, AUC-ROC: 0.981, and 142ms end-to-end latency on commodity CPU-class hardware at approximately $500-$780 USD total system cost. All code, model weights, and simulation datasets are publicly released at submission.
• Abstract（参考訳）: 無人航空機(UAV)の脅威は21世紀の安全保障上の課題として浮上している。 本稿では,RF信号分類,音響モータ信号検出,YOLOv8に基づく視覚検出,エビデンス重み付きセンサ融合,ビヘイビアインテント分類エンジン(BICE),GNN-SIM(Graph Neural Network Swarm Intelligence Module)の6つの処理層を統合した統合オープンフレームワークであるDroneShield-AIを提案する。 BICEは、ドローンの飛行パターンに対する最初のシステマティックな6クラスの脅威分類を導入し、30秒の事前警戒地平線で予測操作者の警告を可能にした。 GNN-SIMは,グラフアテンションネットワークを用いた対向多面体生成解析のための最初のオープンフレームワークである。 市販の3つの実世界のデータセットに基づいて評価され、融合パイプラインは96.1%の精度、3.2%の誤報率、AUC-ROC:0.981、142msの一般向けCPUクラスのハードウェアにおけるエンドツーエンドのレイテンシを約500～780米ドルのシステムコストで達成している。 コード、モデルウェイト、シミュレーションデータセットはすべて、提出時に公開される。

関連論文リスト

• Secure UAV Swarms in Low-Altitude Wireless Networks: Challenges and Solutions [28.36153282686918]
  本稿では,UAV群を対象としたクラウド・エッジ・エンド協調防衛フレームワークを提案する。 第一に、協調的な知覚スキームは、GPSスプーフィングに抵抗するように設計されている。 次に,信頼度評価を用いた行動駆動型認証手法を開発し,インサイダーの脅威を軽減する。 第3に,UAVネットワークにおけるマルチホップ攻撃の伝播経路をインテリジェントに追跡するために,マルチエージェント攻撃鑑定フレームワークを考案した。
  論文  参考訳（メタデータ） (2026-05-26T11:33:02Z)
• Characterizing AI-Assisted Bot Traffic in Darknet Data: Implications for ICS and IIoT Security [0.0]
  自動スキャンツールとAI支援偵察エージェントの台頭は、インターネットの背景トラフィックパターンを大きく変えた。 本稿では,2021年から2025年にかけての1億9200万個の受動ダークネットパケットの時系列データセットをMerit ORION Network Telescopeから解析することにより,自動ボットトラフィックの進化を特徴付ける。
  論文  参考訳（メタデータ） (2026-05-14T00:07:20Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• LanG -- A Governance-Aware Agentic AI Platform for Unified Security Operations [2.1142550386295853]
  本稿では,LLM支援ネットワークガバナンス(LanG)について述べる。 プラットフォームはマルチテナントアイソレーション、ロールベースのアクセス、完全にローカルなデプロイメントをサポートする。 精密な異常検出と脅威検出は、侵入検出ベンチマークでそれぞれ99.0%と91.0%の重み付きF1スコアを達成する。
  論文  参考訳（メタデータ） (2026-04-07T05:22:25Z)
• AEGIS: Adversarial Entropy-Guided Immune System -- Thermodynamic State Space Models for Zero-Day Network Evasion Detection [0.0]
  AEGIS (Adversarial Entropy-Guided Immune System) は、熱力学的変動誘導型双曲型液体状態モデルを用いた対向型エントロピー誘導免疫システムである。 ゼロコピーIPCを持つ純粋なC++ eBPF HarvesterはPython GILをバイパスし、線形時間O(N) Mamba-3コアで64,000パケットのスワムをラインレートで処理できる。
  論文  参考訳（メタデータ） (2026-04-02T15:16:56Z)
• MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
  MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。 Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。 これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
  論文  参考訳（メタデータ） (2026-02-27T09:37:05Z)
• Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks [0.5505634045241287]
  既存のセキュリティスキームでは、車両の大規模ネットワークの10ms未満の異常検出と分散調整ができない。 本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを紹介する。 エッジ上の光アンサンブル異常検出モデル、Byzantine-fault-tolerant Federated Learningを使用して、地域規模の脅威インテリジェンスを集約する、重要なセキュリティ調整を保証するための選択されたブロックチェーンメカニズムが含まれている。
  論文  参考訳（メタデータ） (2025-11-16T15:30:46Z)
• A Novel Unified Lightweight Temporal-Spatial Transformer Approach for Intrusion Detection in Drone Networks [0.24790748620223146]
  既存の侵入検知機構は、ドローンネットワークに必要な適応性、効率、一般化性を欠いていることが多い。 本稿では, TSLT-Netを提案する。TSLT-Netは, ドローンネットワークに特化して設計された, 軽量かつ統一化された時空間変圧器による侵入検知システムである。
  論文  参考訳（メタデータ） (2025-10-03T04:23:21Z)
• End-to-End Convolutional Activation Anomaly Analysis for Anomaly Detection [41.94295877935867]
  エンドツーエンドの畳み込みアクティベーション異常解析(E2E-CA$3$) エンドツーエンドの畳み込み動作異常解析(E2E-CA$3$)を提案する。 これは、Sperl、Schulze、B"ottingerによって提案されたA$3$の異常検出アプローチの重要な拡張である。
  論文  参考訳（メタデータ） (2024-11-21T10:22:50Z)
• MMAUD: A Comprehensive Multi-Modal Anti-UAV Dataset for Modern Miniature Drone Threats [37.981623262267036]
  MMAUDは、ドローン検出、UAV型分類、軌道推定に焦点を当てて、現代の脅威検出手法における重要なギャップに対処する。 これは、熱とRGBを使用して特定のベタージュポイントでキャプチャされたデータセットよりも忠実度の高い実世界のシナリオに対処するための、ユニークな頭上の空中検出を提供する。 提案するモダリティは費用対効果が高く適応性が高いため,UAV脅威検出ツールの実験と実装が可能である。
  論文  参考訳（メタデータ） (2024-02-06T04:57:07Z)
• CANShield: Signal-based Intrusion Detection for Controller Area Networks [29.03951113836835]
  CANバスの信号に基づく侵入検知フレームワークであるCANShieldを提案する。 CanShieldは、信号レベルで高次元CANデータストリームを処理するデータ前処理モジュール、複数のディープオートエンコーダネットワークで構成されるデータアナライザモジュール、それぞれ異なる時間的視点から時系列データを解析するデータアナライザモジュール、アンサンブルメソッドを使用して最終的な決定を行うアタック検出モジュールの3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2022-05-03T04:52:44Z)

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。