論文の概要: Automated Stealthy Wear-Out Attack on Digital Twins With Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2607.10830v1
• Date: Sun, 12 Jul 2026 16:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.550139
• Title: Automated Stealthy Wear-Out Attack on Digital Twins With Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習によるデジタル双生児のステルスアウト自動攻撃
• Abstract要約: Digital Twins (DT) は、Industrial 4.0の重要なイネーブラーとして登場した。 DTはデータ駆動意思決定と運用最適化のシームレスな統合を容易にする。 本稿では,Deep Reinforcement Learning (DRL) を利用してDT対応インフラをターゲットにした,新鮮でステルスなウェアラブル・アウト・アタックを提案する。
• 参考スコア（独自算出の注目度）: 2.843577260948743
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Digital Twins (DTs) have emerged as pivotal enablers of Industry 4.0, offering transformative capabilities such as real-time monitoring, advanced simulation, and precise control of physical assets. By bridging the physical and virtual domains, DTs facilitate seamless integration of data-driven decision-making and operational optimisation. However, this seamless interaction significantly expands the attack surface of industrial systems, creating vulnerabilities that adversaries can exploit. This paper introduces a novel and stealthy wear-out attack leveraging Deep Reinforcement Learning (DRL) to target DT-enabled infrastructures. The adversary strategically and covertly manipulates control signals, inducing increased torque on a specific joint to accelerate wear and tear while evading detection by a state-of-the-art anomaly detection system. Extensive benchmarking of reinforcement learning algorithms - including Twin Delayed Deep Deterministic Policy Gradient (TD3), Soft Actor-Critic (SAC), Proximal Policy Optimisation (PPO), and Advantage Actor-Critic (A2C) - revealed that SAC consistently outperformed its counterparts in terms of sample efficiency, stability, and overall attack effectiveness. We evaluate the proposed adversary in an industrial setting using the UR10e robotic arm. Results demonstrate the adversary's ability to significantly elevate torque levels on the targeted joint, leading to accelerated degradation and increased maintenance costs, all while operating stealthily and avoiding detection. Our findings highlight the substantial risks posed by DRL-driven adversaries to DT-enabled environments and emphasise the critical need for robust defence mechanisms to protect critical industrial systems.
• Abstract（参考訳）: Digital Twins (DT) は、リアルタイム監視、高度なシミュレーション、物理的資産の正確な制御などのトランスフォーメーション機能を提供する産業用 4.0 の重要なイネーブラーとして登場した。 物理的なドメインと仮想ドメインをブリッジすることで、DTはデータ駆動意思決定と運用最適化のシームレスな統合を可能にします。 しかし、このシームレスな相互作用は産業システムの攻撃面を大きく広げ、敵が悪用できる脆弱性を生み出します。 本稿では,Deep Reinforcement Learning (DRL) を利用してDT対応インフラをターゲットにした,新鮮でステルスなウェアラブル・アウト・アタックを提案する。 敵は、制御信号を戦略的かつ隠蔽的に操作し、特定の関節のトルクの増加を誘導し、最先端の異常検出システムによる検出を回避しつつ、摩耗と損傷を加速させる。 Twin Delayed Deep Deterministic Policy Gradient (TD3), Soft Actor-Critic (SAC), Proximal Policy Optimisation (PPO), Advantage Actor-Critic (A2C)など、強化学習アルゴリズムの大規模なベンチマークにより、SACはサンプル効率、安定性、全体的な攻撃効率において一貫してそのアルゴリズムよりも優れていたことが明らかになった。 UR10eロボットアームを用いた産業環境での対戦性評価を行った。 その結果、敵が目標関節のトルクレベルを著しく高める能力を示し、その結果として劣化が加速し、維持コストが増大した。 本研究は,DRL駆動型敵がDT対応環境にもたらす重大なリスクを浮き彫りにし,重要な産業システムを保護するための堅牢な防御機構の必要性を強調した。

関連論文リスト

• Fast Test-Time Refinement for Robust Learned Image Compression [76.1340081619183]
  学習された画像圧縮(lic)は、良質な設定で顕著なレート歪み(RD)性能を示した。 ディープニューラルネットワーク(DNN)によって与えられる高い表現能力は、敵の脆弱性の増加を犠牲にしている。 実用的でロバストなlicシステムのためのFTTR(Fast Test-Time Refinement Tube)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-15T08:30:56Z)
• Cyber-Resilient Digital Twins: Discriminating Attacks for Safe Critical Infrastructure Control [0.0815557531820863]
  i-SDTは、油圧調整された予測モデル、マルチクラス攻撃識別、適応レジリエンス制御を組み合わせた。 SWaTとWADIデータセットの評価では、検出精度が大幅に向上し、44.1%の誤報が減少し、56.3%の運用コストが削減された。
  論文  参考訳（メタデータ） (2026-03-19T08:33:21Z)
• Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy [64.39232788946173]
  低高度経済(LAE)は社会福祉の強化と経済成長の推進に大きく貢献している。 本稿では,セキュアなLAEのためのアンサンブル学習,研究の焦点,解決策,ケーススタディについて検討する。
  論文  参考訳（メタデータ） (2026-02-07T23:15:58Z)
• Evaluating False Alarm and Missing Attacks in CAN IDS [0.7734726150561088]
  ROADデータセットを用いて,CAN IDSの体系的対角評価を行う。 4つの浅い学習モデルとディープニューラルネットワークベースの検出器を比較した。 以上の結果から,敵の操作が誤報と回避検出を同時に引き起こすことが示唆された。
  論文  参考訳（メタデータ） (2026-02-02T20:38:01Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Baiting AI: Deceptive Adversary Against AI-Protected Industrial Infrastructures [13.191612618343099]
  本稿では,産業制御システム(ICS)を対象とした新しいサイバー攻撃ベクトルについて検討する。 我々の研究は、この攻撃戦略の堅牢性を明らかにし、DRLモデルが敵の目的のために操作される可能性に光を当てている。
  論文  参考訳（メタデータ） (2026-01-13T12:12:47Z)
• Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting [5.35811141279537]
  敵攻撃に対するIoT IDSの堅牢性を高める新しい敵検出モデルを提案する。 我々は、ネットワークトラフィックの特徴から属性指紋を抽出し、IDSがクリーン入力と逆入力を確実に区別できるようにする。 我々は、標準的なIoTベンチマークデータセットでモデルを評価し、敵の攻撃を検出する最先端の手法を著しく上回った。
  論文  参考訳（メタデータ） (2025-11-09T02:56:54Z)
• Robust Deep Reinforcement Learning in Robotics via Adaptive Gradient-Masked Adversarial Attacks [15.825229211045647]
  本稿では、DRLとグラデーションベースのソフトマスキング機構を組み合わせたホワイトボックス攻撃手法であるAGMRアタックを提案し、臨界状態次元を動的に識別し、敵のポリシーを最適化する。 AGMRは、被害者エージェントのパフォーマンスを低下させ、敵防御機構を通じて被害者エージェントの堅牢性を高める、最先端の敵攻撃方法より優れる。
  論文  参考訳（メタデータ） (2025-03-26T15:08:58Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks [62.87459235819762]
  自動運転車のような現実のシナリオでは、現実の敵例(RWAE)にもっと注意を払わなければならない。 本稿では,デジタルおよび実世界の敵対パッチの効果を検証し,一般的なSSモデルのロバスト性を詳細に評価する。
  論文  参考訳（メタデータ） (2021-08-13T11:49:09Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。