論文の概要: Between Zeros and Ones: Behavioral Characterization Beyond Binary Labeling Across Public ICS Datasets
- arxiv url: http://arxiv.org/abs/2606.30493v1
- Date: Mon, 29 Jun 2026 15:58:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.32341
- Title: Between Zeros and Ones: Behavioral Characterization Beyond Binary Labeling Across Public ICS Datasets
- Title（参考訳）: ZerosとOnes: パブリックICSデータセット間のバイナリラベリングを超えた振る舞い特性
- Abstract要約: インダストリアル・コントロール・システムにおける侵入検知は、通常、バイナリ・ノーマル(バイナリ・ノーマル)とアタック(アタック)のラベルを用いて、少数の公開ベンチマークで評価される。
生の多変量プロセストレースを5つの解釈可能な物理プリミティブにマッピングする行動特徴化フレームワークを提案する。
攻撃ウィンドウは正常な動作に対して明らかな行動変化を示すのに対し,3つのデータセットは行動空間のほぼ異なる領域を占めることを示す。
- 参考スコア（独自算出の注目度）: 0.12249546377051435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intrusion detection in Industrial Control Systems (ICS) is typically evaluated on a small set of public benchmarks using binary ``normal'' versus ``attack'' labels, a practice that can mask the behavioral diversity of cyber-physical attacks. To address this limitation, we propose a behavioral characterization framework that maps raw multivariate process traces into five interpretable physical primitives: drift, spike, oscillation, repetition, and switching. We apply the framework to three widely used ICS benchmarks, namely, SWaT, WADI, and HAI, and show that attack windows exhibit clear behavioral shifts relative to normal operation while the three datasets occupy largely distinct regions of the behavioral space, revealing both cross-dataset bias and intra-dataset diversity. In particular, WADI is dominated by repetition, HAI emphasizes sustained drift and oscillation, and SWaT is characterized by stealthier frozen-telemetry behavior. To examine the evaluation implications, we use an indicative Random Forest baseline and show that aggregate binary metrics can limit visibility into performance across different behavioral proxies. For example, in SWaT, macro F1 drops from 85.44% under binary evaluation to 37.84% under behavior-proxy multiclass prediction, with similar degradations observed on WADI and HAI. Based on these findings, we argue for complementing conventional binary benchmarking with behavior-stratified evaluation to expose blind spots that aggregate scores leave hidden and to better support targeted incident response.
- Abstract（参考訳）: インダストリアル・コントロール・システム(ICS)における侵入検知は、通常、サイバー物理攻撃の振る舞いの多様性を隠蔽する「通常」ラベルと「攻撃」ラベルのバイナリを用いて、少数の公開ベンチマークで評価される。
この制限に対処するために、生多変量プロセスのトレースを5つの解釈可能な物理的プリミティブ(ドリフト、スパイク、発振、繰り返し、切り替え)にマッピングする行動的特徴付けフレームワークを提案する。
このフレームワークを,SWaT,WADI,HAIの3つの広く使用されているICSベンチマークに適用し,攻撃ウィンドウが通常の動作に対して明確な行動変化を示す一方で,3つのデータセットが行動空間のほぼ異なる領域を占めることを示す。
特に、WADIは反復によって支配され、HAIは持続的なドリフトと発振を強調し、SWaTはよりステルスなフリーズ・テレメトリーの挙動によって特徴づけられる。
評価の意義を検討するために,適応的ランダムフォレストベースラインを用いて,集約されたバイナリメトリクスが,異なる行動プロキシ間のパフォーマンスの可視性を制限できることを示す。
例えば、SWaTでは、マクロF1は2進評価で85.44%から37.84%に低下し、WADIやHAIでも同様の劣化が観測されている。
これらの結果に基づき、従来のバイナリベンチマークと行動階層化評価を補完し、スコアが隠された盲点を露呈し、ターゲットのインシデント応答をより良く支援するために議論する。
関連論文リスト
- ControlledShifts: Towards Standardizing Robustness Evaluation in Trajectory Prediction Under Distribution Shifts [12.370065954075299]
軌道予測は自動運転の安全性の中心である。
多くの手法は、データ中心あるいはテスト時間適応アプローチによる分散シフト劣化を緩和しようとする。
ControlledShiftsは、既存のトラジェクトリデータセットをイン・ディストリビューションとアウト・オブ・ディストリビューションのパーティションに体系的に再分割するフレームワークである。
論文 参考訳（メタデータ） (2026-08-18T15:16:52Z) - Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization [64.83565413108789]
サイクル自己学習(CST)は、標準自己学習フレームワークの共有分類器の仮定を破る。
CSTは、ターゲットの擬似ラベルでトレーニングすることで、ラベルなしのターゲットデータを悪用する。
論文 参考訳（メタデータ） (2026-06-30T09:05:30Z) - PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
PerceptionRubricsはルーブリックベースの評価フレームワークである。
飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。
1,038枚のインフォメーションセンス画像と12,000個以上のインスタンス固有のルーリックをペアリングする。
論文 参考訳（メタデータ） (2026-06-26T17:59:15Z) - Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。
信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。
本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
論文 参考訳（メタデータ） (2026-06-23T05:28:47Z) - BLADE: Behavior-Level Anomaly Detection Using Network Traffic in Web Services [7.024862094862467]
BLADEは、Webサービスのための新しい教師なしトラフィック異常検知システムである。
BLADEはフローオートエンコーダを利用して潜在特徴表現を学習し、フロー毎の再構成損失を算出する。
BLADEはカスタムデータセットとCIC-IDS 2017データセットの両方で広く評価されている。
論文 参考訳（メタデータ） (2025-11-07T12:25:39Z) - Human-Centric Anomaly Detection in Surveillance Videos Using YOLO-World and Spatio-Temporal Deep Learning [0.1019561860229868]
監視ビデオにおける異常検出は、異常事象の多様性、クラス不均衡、シーン依存の視覚的乱れなどにより、依然として困難な課題である。
マルチクラス異常分類のための時間的モデリングと人間の重み付け前処理を統合した頑健なディープラーニングフレームワークを提案する。
本手法は,3つの独立した試験において平均テスト精度が92.41%であり,クラスごとのF1スコアは0.85以上である。
論文 参考訳（メタデータ） (2025-10-24T22:38:17Z) - Distributed Detection of Adversarial Attacks in Multi-Agent Reinforcement Learning with Continuous Action Space [6.649910168731417]
本研究では,協調型マルチエージェント強化学習と連続行動空間との対向攻撃を検出する問題に対処する。
本稿では,エージェントの局所的な観察のみに依存する分散検出器を提案し,観測可能なエージェントの正常な挙動を統計的に評価する。
我々は,様々な攻撃手法に対して,様々なマルチエージェントPettingZooベンチマークを用いて提案手法の評価を行い,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2025-08-21T17:58:36Z) - Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。
現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。
異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
論文 参考訳（メタデータ） (2025-07-06T17:01:02Z) - A Dataset for Semantic Segmentation in the Presence of Unknowns [49.795683850385956]
既存のデータセットは、既知のものや未知のもののみの評価を可能にするが、両方ではない。
乱雑な実環境からの多様な異常な入力を特徴とする,新しい異常セグメンテーションデータセットISSUを提案する。
データセットは、既存の異常セグメンテーションデータセットの2倍大きい。
論文 参考訳（メタデータ） (2025-03-28T10:31:01Z) - CBW: Towards Dataset Ownership Verification for Speaker Verification via Clustering-based Backdoor Watermarking [85.68235482145091]
大規模音声データセットは貴重な知的財産となった。
本稿では,新しいデータセットのオーナシップ検証手法を提案する。
我々のアプローチはクラスタリングに基づくバックドア透かし(CBW)を導入している。
我々は,ベンチマークデータセットに対する広範な実験を行い,本手法の有効性とロバスト性を検証した。
論文 参考訳（メタデータ） (2025-03-02T02:02:57Z) - Frequency-driven Imperceptible Adversarial Attack on Semantic Similarity [22.28011382580367]
敵対的攻撃研究は、慎重に構築された摂動に対する学習ベースの分類器の脆弱性を明らかにする。
特徴表現における意味的類似性を攻撃する新しいアルゴリズムを提案する。
本稿では,高周波成分の摂動を制限するために低周波制約を導入する。
論文 参考訳（メタデータ） (2022-03-10T04:46:51Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳（メタデータ） (2020-04-14T06:18:50Z)
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。