論文の概要: Swarm-Driven Multi-Agent Reasoning for Smart City Security

• arxiv url: http://arxiv.org/abs/2607.03628v1
• Date: Fri, 03 Jul 2026 23:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 16:17:21.044802
• Title: Swarm-Driven Multi-Agent Reasoning for Smart City Security
• Title（参考訳）: スマートシティセキュリティのためのSwarm-Driven Multi-Agent Reasoning
• Authors: Saeid Jamshidi, Kawser Wazed Nafi, Carol Fung, Foutse Khomh,
• Abstract要約: 本研究は,スマートシティにおけるセキュリティ推論のためのマルチエージェントアプローチであるTPSC-Secを提案する。 TPSC-Secは、トラフィックの振る舞い、プロトコルのインタラクション、アイデンティティの使用、時間的攻撃の進行を検査する特殊なエージェントを分解する。 500回以上の試験の結果、TPSC-Sec は 0.97 + 0.02 という高いコンセンサスを達成している。
• 参考スコア（独自算出の注目度）: 5.880950534553082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern smart cities are interconnected cyber-physical ecosystems where heterogeneous devices exchange data and control commands. Coordinated attacks may appear as weak and distributed indicators, including low-rate scanning, abnormal credential use, protocol misuse, or delayed lateral movement, with each signal remaining below local alert thresholds. Therefore, smart-city security is not only an anomaly detection task but also a reasoning task under uncertainty, partial observability, and adversarial manipulation. This work presents TPSC-Sec, an LLM-based multi-agent approach for stable security reasoning in smart cities. TPSC-Sec decomposes analysis across specialized agents that inspect traffic behavior, protocol interactions, identity usage, and temporal attack progression. Their independent threat hypotheses are aggregated by the proposed Threat-Pheromone Swarm Consensus mechanism, which reinforces supported hypotheses, suppresses contradictions, and preserves temporal consistency, thereby driving competing interpretations toward a stable collective decision. We further introduce Adaptive Verified TPSC, which adds verification-aware calibration, context-sensitive weighting, and disagreement-adaptive control to reduce unsupported LLM outputs and reasoning inconsistency. Experiments over 500 runs show that TPSC-Sec achieves a high consensus acceptance rate of 0.97 plus or minus 0.02, hypothesis-support concentration above 0.99, a consensus margin of 2.08 plus or minus 0.21, low aggregate risk of 0.23 plus or minus 0.04, high inter-agent agreement of 0.82 plus or minus 0.06, and strong support-quality correlation of r equals 0.93. Adaptive agent selection reduces the number of active agents by 50 percent while improving system fitness by 11.6 percent. These results demonstrate robust, interpretable, and efficient security reasoning for adversary-resilient smart-city environments.
• Abstract（参考訳）: 現代のスマートシティは、異種デバイスがデータとコントロールコマンドを交換する、相互接続されたサイバー物理エコシステムである。 コーディネート攻撃は、低レートスキャン、異常なクレデンシャル使用、プロトコル誤用、または遅延した側方移動など、弱く分散した指標として現れ、各信号は局所的な警報閾値より下にある。 したがって、スマートシティのセキュリティは、異常検出タスクだけでなく、不確実性、部分観測可能性、敵の操作による推論タスクでもある。 本研究は,スマートシティにおけるセキュリティ推論のためのマルチエージェントアプローチであるTPSC-Secを提案する。 TPSC-Secは、トラフィックの振る舞い、プロトコルのインタラクション、アイデンティティの使用、時間的攻撃の進行を検査する特殊なエージェントを分解する。 彼らの独立した脅威仮説はThreat-Pheromone Swarm Consensus機構によって集約され、これは支持された仮説を強化し、矛盾を抑え、時間的一貫性を保ち、安定した集団決定に向けて競合する解釈を駆動する。 さらに、検証対応キャリブレーション、文脈依存重み付け、不一致適応制御を付加したAdaptive Verified TPSCを導入する。 500回以上の試験の結果、TPSC-Secは0.97+または0.02の高コンセンサス受容率、0.99以上の仮説支持濃度、2.08+またはマイナス0.21の低コンセンサス限界、0.23+またはマイナス0.04の低アジェントリスク、0.82+またはマイナス0.06の高インターエージェント合意、rの強いサポート品質相関を達成している。 アダプティブ・エージェントの選択は、アクティブ・エージェントの数を50%削減し、システム・フィットネスを11.6パーセント改善する。 これらの結果は、対向レジリエントなスマートシティ環境に対して、堅牢で、解釈可能で、効率的なセキュリティ推論を示す。

関連論文リスト

• Game-Theoretic Multi-Agent Control for Robust Contextual Reasoning in LLMs [6.335875360476155]
  マルチターンインタラクションにおける大規模言語モデル(LLM)は、独立した応答を生成するのではなく、進化するコンテキストを維持している。 GT-MCP(Game-Theoretic Secure Model Context Protocol)は,コンテキスト管理を閉ループ動的プロセスとして扱うコントローラ駆動型マルチエージェント手法である。 不安定性が検出されると、ロールバックベースの自己修復機構が検証済みのコンテキストを復元し、不要なフラグメントの伝播を防止する。
  論文  参考訳（メタデータ） (2026-06-09T02:18:44Z)
• Reliable Self-Harm Risk Screening via Adaptive Multi-Agent LLM Systems [6.14481021961242]
  有向非巡回グラフ(DAG)として構造化されたマルチエージェントパイプラインの統計的枠組みを提案する。 我々は各エージェントをカテゴリー決定としてモデル化し、より厳密なエージェントレベルのパフォーマンス信頼境界を導入する。 本研究では,2つのラベル付きデータセットを用いた行動保健システムの評価を行った。
  論文  参考訳（メタデータ） (2026-04-24T01:52:54Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Beyond Reward Suppression: Reshaping Steganographic Communication Protocols in MARL via Dynamic Representational Circuit Breaking [0.0]
  監視を回避するためのプライベートプロトコルを開発するエージェントによるステガノグラフィーの共謀は、AIの安全性に重大な脅威をもたらす。 既存の防御は行動層や報酬層に限られており、潜伏する通信路での調整を検知できない。 本稿では,動的表現回路ブレーカ(DRCB)について紹介する。
  論文  参考訳（メタデータ） (2026-03-07T04:14:38Z)
• ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
  IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。 本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。 時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
  論文  参考訳（メタデータ） (2026-02-26T23:20:42Z)
• 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)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)

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。