論文の概要: Zero-Trust Federated Learning for Connected Aftermarket Devices

• arxiv url: http://arxiv.org/abs/2608.07591v1
• Date: Wed, 05 Aug 2026 20:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 14:39:01.371201
• Title: Zero-Trust Federated Learning for Connected Aftermarket Devices
• Title（参考訳）: 接続型アフターマーケットデバイスのためのゼロトラストフェデレーション学習
• Abstract要約: 本稿では、接続後市場デバイスのためのゼロトラストフェデレーション学習を開発する。 デバイスレベルのアクセス制御、プライバシ保護のフェデレーション学習、およびオーバー・ザ・エアの更新と予測的メンテナンス決定に対する敵の検証を組み合わせる。 その結果、フィールド検証は確立されていないが、ゼロトラスト政策執行とフェデレーション学習を共同で評価できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Connected aftermarket devices extend vehicle diagnostics, repair workflows, and over-the-air software maintenance beyond original equipment manufacturer boundaries, yet their heterogeneous ownership and long service life complicate conventional perimeter security. This paper develops Zero Trust Federated Learning for Connected Aftermarket Devices (ZT FL CADE), an edge-learning architecture that combines device-level access control, privacy-preserving federated learning, and adversarial validation for over-the-air update and predictive maintenance decisions. The evaluation uses a single synthetic dataset of 144,000 telemetry windows from 240 devices, 12 vendor domains, and 180 days of operation. Features include bus entropy, update latency, attestation age, signature retries, environmental signals, fault-code rates, packet loss, drift, mileage, and trust score, with targets for maintenance risk, update intrusion, and access action. ZT FL CADE trains local temporal models, aggregates privacy-bounded updates, scores each device against behavioral and update integrity evidence, and routes update requests to allow, challenge, or quarantine actions. Synthetic experiments improve maintenance risk F1 from 0.837 for Fed Avg to 0.883, improve intrusion F1 from 0.856 to 0.897, and preserve 0.842 intrusion recall when 20 percent of selected clients are adversarial. Mean access-decision latency remains 44 MS, below the 100 MS operational budget used in the simulation. The results do not establish field validation, but they indicate that zero-trust policy enforcement and federated learning can be evaluated jointly rather than as separate aftermarket security controls. Index Terms Zero trust architecture, federated learning, connected aftermarket devices, over-the-air updates, adversarial machine learning, edge artificial intelligence, predictive maintenance, automotive cybersecurity
• Abstract（参考訳）: 接続されたアフターマーケットデバイスは、車両の診断、修理ワークフロー、および航空機上でのソフトウェアメンテナンスを、元々の機器メーカーの境界を越えて拡張するが、その異質な所有権と長いサービス寿命は、従来の周辺セキュリティを複雑にしている。 本稿では, デバイスレベルのアクセス制御, プライバシ保護フェデレーション学習, オーバー・ザ・エアの更新と予測保守決定のための逆検証を組み合わせたエッジラーニングアーキテクチャであるZT FL CADEを開発した。 この評価では、240のデバイスから144,000のテレメトリウィンドウ、12のベンダードメイン、180日間の運用からなる単一の合成データセットを使用している。 機能には、バスのエントロピー、更新遅延、認証年齢、署名の再試行、環境信号、フォールトコード率、パケット損失、ドリフト、マイレージ、信頼スコアがあり、メンテナンスリスク、アップデート侵入、アクセスアクションのターゲットがある。 ZT FL CADEは、ローカルの時間モデルをトレーニングし、プライバシに縛られたアップデートを集約し、各デバイスを行動的およびアップデートの正当性証拠に対してスコア付けし、更新要求をルーティングして、行動の許可、チャレンジ、隔離を行う。 合成実験は、Fed Avgの0.837から0.883へのメンテナンスリスクF1の改善、0.856から0.897への侵入F1の改善、選択されたクライアントの20%が敵対的である場合に0.842の侵入リコールを維持する。 平均アクセス決定レイテンシは44MSであり、シミュレーションで使用される100MSの運用予算を下回る。 その結果、フィールド検証は確立されていないが、ゼロトラスト政策執行とフェデレーション学習は、個別のアフターマーケットセキュリティコントロールとしてではなく、共同で評価できることを示している。 インデックス用語 ゼロ信頼アーキテクチャ、フェデレートされた学習、接続されたアフターマーケットデバイス、オーバーザエアアップデート、敵機械学習、エッジ人工知能、予測保守、自動車サイバーセキュリティ

関連論文リスト

• Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
  第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。 本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-09T01:36:44Z)
• OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution [71.06848799741152]
  AIエージェントは、初期状態の変化が将来的な決定に影響を与える可能性のある永続的な環境で動作する。 現在の安全ベンチマークは、短い静的タスクにフォーカスするため、累積的なリスクを捕捉できないことが多い。 環境の進化を通じて、スケーラブルなエージェントレッドチームのためのオープンなアリーナであるOpenARTを紹介します。
  論文  参考訳（メタデータ） (2026-08-01T13:51:55Z)
• Federated Learning and LLM-Driven Threat Intelligence for Zero Trust IoT Architecture [0.0]
  本稿では,ゼロトラストIoTアーキテクチャのための学習・LLM駆動型脅威インテリジェンスを提案する。 プライバシ保護の分散学習、継続的なアイデンティティ検証、LLM駆動の自律的脅威パイプラインを統合する。 Raspberry Piと各種センサを用いた実験により,0.9091,ROC-AUC1.0の有効性が得られた。
  論文  参考訳（メタデータ） (2026-07-19T02:35:24Z)
• Privacy-Preserving Federated Temporal Graph Learning with Digital Twin--Guided Adaptive Deception for Cyber-Resilient IoMT [0.6095710009266794]
  本稿では,Advantage Actor-Critic (Federated TGCN-A2C) を用いたFederated Temporal Graph Convolutional Networkを提案する。 このフレームワークは、重み付きF1スコアの0.9948と0.9961で99.48%と99.61%のテスト精度を達成し、25と10のフェデレーションラウンドで収束し、3つの追加攻撃カテゴリをカバーしながらFed-Inforce-Fusionを0.21ポイント上回っている。 SHAP, LIME, Grad-CAM, および反ファクト分析によるホック後の説明責任は、決定が意味論的に意味のあるフローの特徴に根ざしていることを確認し、臨床展開における規制的説明責任をサポートする。
  論文  参考訳（メタデータ） (2026-06-19T15:09:38Z)
• Federated Temporal Attention Intelligence for Cyber-Resilient IoMT: Lightweight Digital Twins and PPO-Driven Honeypot Deception [0.6095710009266794]
  インターネット・オブ・メディカル・モノ(IoMT)デバイスが急速に普及すると、医療環境における重要なサイバーセキュリティの脆弱性がもたらされる。 本稿では,4つの補完機構を統合したプライバシ保護型防衛アーキテクチャである軽量ディジタルツインとフェデレーション強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T13:40:57Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Client-Verifiable and Efficient Federated Unlearning in Low-Altitude Wireless Networks [46.684199927214486]
  低高度無線ネットワーク(LAWN)では、連邦学習(FL)は無人航空機(UAV)と統合センシング通信(ISAC)デバイス間の協調的なインテリジェンスを可能にする。 ISAC機器の「忘れられる権利」と高いモビリティのため、出発する機器の影響は訓練されたモデルから取り除かなければならない。 LAWN向けに設計された,プライバシ保護とクライアント検証可能なフェデレーションアンラーニングフレームワークであるVerFUを提案する。
  論文  参考訳（メタデータ） (2026-03-31T12:45:40Z)
• ElephantBroker: A Knowledge-Grounded Cognitive Runtime for Trustworthy AI Agents [45.88028371034407]
  ElephantBrokerはオープンソースの認知ランタイムで、Neo4jナレッジグラフとQdrantベクトルストアを統合する。 このシステムは、ハイブリッド5ソース検索パイプラインからなる完全な認知ループ(ストア、検索、スコア、構成、保護、学習)を実装している。
  論文  参考訳（メタデータ） (2026-03-26T07:03:12Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning [43.24339861841546]
  本稿では,CVE-linked データセット上でのデコーダ型言語モデル (phi/phi-2 with LoRA) の微調整について検討する。 本研究では,ウィンドウオンリーおよび累積学習,リプレイベースライン,正規化ベースバリアントを含む8つの連続学習戦略を評価する。 ハイブリッドCASRはベースラインと比較してウィンドウ当たりのトレーニング時間を約17%削減する一方、累積トレーニングは15.9倍の計算コストでF1をわずかに増加させる(0.661)。
  論文  参考訳（メタデータ） (2026-02-27T09:13:23Z)
• Robust Federated Learning for Malicious Clients using Loss Trend Deviation Detection [0.0]
  フェデレートラーニング(FL)は、ローカルデバイスに生データが残ることを保証しながら、分散クライアント間の協調的なモデルトレーニングを容易にする。 このようなクライアントは、誤解を招く更新を送信することでトレーニングプロセスに干渉し、グローバルモデルのパフォーマンスと信頼性に悪影響を及ぼす可能性がある。 モデル勾配ではなく時間的損失のダイナミクスを監視して悪意のある行動を検知・緩和する,軽量かつプライバシ保護型防衛フレームワークであるFL-LTDを提案する。
  論文  参考訳（メタデータ） (2026-01-28T18:09:53Z)
• ZTFed-MAS2S: A Zero-Trust Federated Learning Framework with Verifiable Privacy and Trust-Aware Aggregation for Wind Power Data Imputation [8.934430272818048]
  風力データは、センサの故障やエッジでの不安定な送信によって、しばしば欠落する値に悩まされる。 ZTFed-MAS2Sは、シーケンス・ツー・シーケンス・インプット・モデルを統合するゼロトラスト・フェデレーション学習フレームワークである。 ZTFed-MAS2Sのフェデレーション学習性能と欠落データ計算における優位性を実世界の風力発電データセットで検証した。
  論文  参考訳（メタデータ） (2025-08-24T01:50:58Z)

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。