論文の概要: Cyber Dynamics I: Finite Macrostates for Behavioral Anomaly Detection in Network Telemetry

• arxiv url: http://arxiv.org/abs/2607.07075v1
• Date: Wed, 08 Jul 2026 07:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.309937
• Title: Cyber Dynamics I: Finite Macrostates for Behavioral Anomaly Detection in Network Telemetry
• Title（参考訳）: サイバーダイナミクスI:ネットワークテレメトリにおける行動異常検出のための有限状態
• Abstract要約: ネットワークテレメトリのための有限次元マクロステートフレームワークを提案する。 得られたマクロステートは、活動、分布障害、構造的組織、時間的変動性、持続性、および良性のベースラインからの逸脱をキャプチャする。 ベンチマークネットワークテレメトリデータセットのフレームワークを評価し,Shannon-,Rényi-,Tsallis-スタイルのエントロピーベースライン,および標準異常検出器と比較した。
• 参考スコア（独自算出の注目度）: 4.659660777632397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Entropy-based methods have long been used for network anomaly detection, but most existing approaches treat entropy as a scalar statistic on narrow observables rather than as part of a broader behavioral state-space for cyber systems. We propose a finite-dimensional macrostate framework for network telemetry, instantiated over the Canonical Security Telemetry Substrate (CSTS), so that coarse-graining is performed over persistent entities, typed relations, and temporal state rather than isolated event records. The resulting macrostate captures activity, distributional disorder, structural organization, temporal volatility, persistence, and deviation from benign baselines. Rather than scoring only unusual states, we model window-to-window macrostate transitions and define regime structure, stability, and anomalous change. This supports discrimination between benign workload drift and adversarial reorganization. We evaluate the framework on benchmark network telemetry datasets and compare it against Shannon-, Rényi-, and Tsallis-style entropy baselines, as well as standard anomaly detectors. The proposed representation improves anomaly discrimination and supports more interpretable behavioral analysis of cyber telemetry.
• Abstract（参考訳）: エントロピーに基づく手法は長年にわたってネットワーク異常検出に用いられてきたが、既存のほとんどのアプローチでは、エントロピーはサイバーシステムのより広い行動状態空間の一部としてではなく、狭義の観測可能な天体のスカラー統計として扱う。 本稿では,CSTS(Canonical Security Telemetry Substrate)上でインスタンス化されたネットワークテレメトリのための有限次元マクロステートフレームワークを提案する。 得られたマクロステートは、活動、分布障害、構造的組織、時間的変動性、持続性、および良性のベースラインからの逸脱をキャプチャする。 異常な状態のみを評価するのではなく、窓から窓へのマクロ状態遷移をモデル化し、構造構造、安定性、異常な変化を定義する。 これは、良質なワークロードのドリフトと敵の再編成の区別をサポートする。 ベンチマークネットワークテレメトリデータセットのフレームワークを評価し,Shannon-,Rényi-,Tsallis-スタイルのエントロピーベースライン,および標準異常検出器と比較した。 提案した表現は異常識別を改善し,サイバーテレメトリのより解釈可能な行動解析を支援する。

関連論文リスト

• Spectral Dynamics of Semantic Drift in Clinical Multi-Agent Language Model Networks [0.0]
  局所的な高密度傾斜角は、ハロゲン化データを閉じ込め、大域的なコンセンサスを防ぎ、恒久的なエントロピー飽和しきい値に向かってシステムを強制することを示す。 動的スペクトルモニタリングを$mathcalO(N3)$時間複雑さで導入することにより,グローバルな状態拡散を保証する数学的に厳密な手法を提案する。
  論文  参考訳（メタデータ） (2026-07-23T20:20:45Z)
• PIMSM: Physics-Informed Multi-Scale Mamba for Stable Neural Representations under Distribution Shift [16.230225739605316]
  科学的時間構造維持の失敗は分布シフトの不安定性に寄与すると主張する。 周波数状態間のスペクトル推定遷移点をマッピングする状態空間アーキテクチャである物理インフォームド・マルチスケールマンバを提案する。 Human Connectome Project fMRIでは、PIMSMは重度の時間的コンテキストトランケーション下での堅牢性と表現安定性を改善している。
  論文  参考訳（メタデータ） (2026-05-08T04:58:05Z)
• Evaluating Temporal and Structural Anomaly Detection Paradigms for DDoS Traffic [0.046603287532620725]
  監視されていない異常検出は、クラウドネイティブな5GネットワークにおけるDistributed Denial-of-Service(DDoS)攻撃を検出するために広く使用されている。 ほとんどの研究は、どの特徴空間がデータに最も合うかを検証することなく、時間的または構造的な固定されたトラフィック表現を仮定する。 本稿では,2つの診断手法を用いて,時間的・構造的特徴を優先する軽量な意思決定フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T12:59:48Z)
• CSTS: A Canonical Security Telemetry Substrate for AI-Native Cyber Detection [0.20305676256390928]
  我々はCSTS(Canonical Security Telemetry Substrate)を紹介した。 CSTSは、アイデンティティ中心の検出のためのクロストポロジー転送を改善し、スキーマの摂動による崩壊を防ぐ。
  論文  参考訳（メタデータ） (2026-03-24T17:30:03Z)
• The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI [0.0]
  本稿では,不確実性の下での潜在特性推定を定量化する新しい監査フレームワークを提案する。 この研究は最適化バイアス、Sycophancy、Status-Quo Legitimizationを含む9つの次元にわたる主要なモデルを監査している。
  論文  参考訳（メタデータ） (2026-02-19T06:56:01Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Knowledge-Informed Kernel State Reconstruction for Interpretable Dynamical System Discovery [46.9843470803458]
  MAAT (Model Aware Approximation of Trajectories) は知識情報に基づくカーネル状態再構成に基づくシンボル発見のためのフレームワークである。 下流のシンボルレグレッションで用いられる軌道や微分に対する状態推定MSEを著しく低減する。
  論文  参考訳（メタデータ） (2026-01-29T21:15:52Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Unsupervised Spatio-Temporal State Estimation for Fine-grained Adaptive Anomaly Diagnosis of Industrial Cyber-physical Systems [5.1571273635572235]
  本稿では, MTSの異常を同定し, 診断するための微粒化適応型異常診断法(MAD-Transformer)を提案する。 その結果,MAD-Transformerは短時間で微粒な異常を適応的に検出でき,ノイズの堅牢性や局所化性能の点で最先端のベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-03-05T03:11:02Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。