論文の概要: Tool Demo: Topology analysis with GPML for detection of cyberattacks in Water Distribution Networks

• arxiv url: http://arxiv.org/abs/2608.05902v1
• Date: Thu, 06 Aug 2026 11:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.74765
• Title: Tool Demo: Topology analysis with GPML for detection of cyberattacks in Water Distribution Networks
• Title（参考訳）: ツールデモ:配水ネットワークにおけるサイバー攻撃検出のためのGPMLを用いたトポロジー解析
• Abstract要約: 水分配ネットワークは、物理的プロセスと通信ネットワークを統合するために産業制御システムに依存している。 生のトラフィックやプロトコル情報に依存する従来の検出手法は、そのような攻撃によって引き起こされる構造的変化をしばしば監視する。 本稿では,機械学習フレームワークのグラフ処理に基づく配水網におけるサイバー攻撃検出のためのトポロジ駆動型アプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.2314765641075438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Water distribution networks depends on industrial control systems to integrate the physical process with communication network, making them vulnerable to cyberattacks that alter the traffic pattern and network behavior. Traditional detection approaches that rely on raw traffic or protocol information often oversee structural changes that are induced by such attacks. In this work, we presents a topology-driven approach for detection of cyberattacks in water distribution networks based on Graph Processing for Machine Learning (GPML) framework. The raw traffic is transformed into dynamic graphs, from which community and spectral metrics are extracted and analyzed for any structural and communication modifications with time. The proposed methodology is evaluated on three industrial water distribution datasets such as HITL, SWaT, and CrossTest. Spectral and community graph metrics improve the model performance in detection of cyber and pyhiscal attacks across the three datasets.
• Abstract（参考訳）: 水分配ネットワークは、物理的プロセスと通信ネットワークを統合するために産業制御システムに依存しており、トラフィックパターンやネットワークの振る舞いを変えるサイバー攻撃に脆弱である。 生のトラフィックやプロトコル情報に依存する従来の検出手法は、そのような攻撃によって引き起こされる構造的変化をしばしば監視する。 本研究では,GPML(Graph Processing for Machine Learning)フレームワークに基づく配水網におけるサイバー攻撃検出のためのトポロジ駆動型アプローチを提案する。 生のトラフィックは動的グラフに変換され、そこからコミュニティとスペクトルのメトリクスが抽出され、時間とともに構造や通信の修正のために分析される。 提案手法は,HITL,SWaT,CrossTestの3つの産業用水分布データセットを用いて評価した。 スペクトルとコミュニティグラフのメトリクスは、3つのデータセットにわたるサイバーおよびピヒスカル攻撃の検出におけるモデルパフォーマンスを改善する。

関連論文リスト

• Attention-Enhanced Graph Filtering for False Data Injection Attack Detection and Localization [0.0]
  偽データインジェクション攻撃(FDIA)は、測定の整合性を妥協し、信頼性の高いシステム操作を脅かす。 本稿では,自動回帰移動平均 (ARMA) グラフフィルタをトランスフォーマーアーキテクチャと統合したFDIA検出およびローカライズフレームワークを提案する。 提案手法は,IEEE 14-および300-busシステムに適用されたNYISO(New York Independent System Operator)の実際の負荷データを用いて評価する。
  論文  参考訳（メタデータ） (2026-01-26T21:33:47Z)
• Explainable and Resilient ML-Based Physical-Layer Attack Detectors [46.30085297768888]
  物理層侵入を警告するために訓練された各種分類器の内部動作を分析する。 有害パラメータのノイズ化に対する検出器のレジリエンスを評価した。 この研究は、利用可能なネットワーク監視データに基づいて訓練された高速で堅牢な検出器を開発するための設計ガイドラインとして機能する。
  論文  参考訳（メタデータ） (2025-09-30T17:05:33Z)
• One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
  機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。 本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。 本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-08-18T12:36:55Z)
• Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
  本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。 事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。 その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-22T07:42:07Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Preliminary study on artificial intelligence methods for cybersecurity threat detection in computer networks based on raw data packets [32.505127447635864]
  本稿では,ネットワークトラフィック内の生パケットデータから直接リアルタイムに攻撃を検知できるディープラーニング手法について検討する。 コンピュータビジョンモデルを用いた処理に適した2次元画像表現を用いて,パケットをウィンドウに積み重ねて別々に認識する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T15:04:00Z)
• A Deep Learning Framework for Evaluating Dynamic Network Generative Models and Anomaly Detection [0.0]
  本稿では,DGSP-GCN(グラフ畳み込みネットワークに基づく動的グラフ類似度予測)を提案する。 グラフ畳み込みネットワークと動的グラフ信号処理技術を統合し、生成モデルを評価し、動的ネットワークの異常を検出する統一的なソリューションを提供する。 WikiMath、Chickenpox、PedalMe、MontevideoBus、MetraLaの5つの実世界のデータセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-15T09:19:09Z)
• Learning Decentralized Traffic Signal Controllers with Multi-Agent Graph Reinforcement Learning [42.175067773481416]
  我々は,空間的時間的相関を捉えるために,環境観測性を改善した新しい分散制御アーキテクチャを設計する。 具体的には,道路ネットワークに収集された非構造データから相関関連情報を抽出するトポロジ対応情報集約戦略を開発する。 拡散畳み込みモジュールが開発され、新しいMARLアルゴリズムが作成され、エージェントにグラフ学習の能力を与える。
  論文  参考訳（メタデータ） (2023-11-07T06:43:15Z)
• Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
  過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。 本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。 提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-11T16:10:12Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Self-Supervised and Interpretable Anomaly Detection using Network Transformers [1.0705399532413615]
  本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。 NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。 提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
  論文  参考訳（メタデータ） (2022-02-25T22:05:59Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。