論文の概要: Recovering Process Variables from Industrial Network Traffic via Search-Based Optimization

• arxiv url: http://arxiv.org/abs/2608.16403v1
• Date: Mon, 17 Aug 2026 11:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.642844
• Title: Recovering Process Variables from Industrial Network Traffic via Search-Based Optimization
• Title（参考訳）: 探索に基づく最適化による産業用ネットワークトラフィックからのプロセス変数の復元
• Authors: Chuan Sheng, Shan Jiang, Xiaogang Zhu, Wanlun Ma, Jianming Zhao, Yu Yao, Sheng Wen, Yang Xiang,
• Abstract要約: プロトコルリバースエンジニアリング(PRE)を通して、生産業用ネットワークトラフィックから直接PVフィールドとそのセマンティクスを復元する問題について検討する。 PVキャリア通信と不均一なランタイムトラフィックが混在しており、PVキャリアペイロードは長く、デプロイ固有のものが多い。 本稿では,探索に基づく最適化問題として,生のネットワークトラフィックからのPVフィールドの回復を定式化する。 我々の重要な洞察は、そのような広大なセグメンテーション空間における正しいセグメンテーションを非逐次同定することは最適化問題であり、準最適解を探すことで解決できるということである。
• 参考スコア（独自算出の注目度）: 17.069540078065497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process variables (PVs) provide the process evidence needed for process-aware security monitoring in industrial cyber-physical systems (CPSs). However, existing supervisory infrastructures expose only the subset of PV values recorded by historians, leaving many additional runtime PV values unobserved. To address this incomplete process visibility, we study the problem of recovering PV fields and their semantics directly from raw industrial network traffic through protocol reverse engineering (PRE). In this setting, existing PRE methods face two practical challenges: PV-carrying communication is mixed with heterogeneous runtime traffic, and PV-carrying payloads are often long and deployment-specific. Mixed runtime traffic obscures the PV-carrying communication paths, while long payloads create a vast segmentation space in which early segmentation errors can propagate and corrupt the recovery of later fields under sequential inference. In this paper, we formulate the recovery of PV fields from raw network traffic as a search-based optimization problem. Our key insight is that non-sequentially identifying correct segmentations in such a vast segmentation space can be cast as an optimization problem and addressed by searching for near-optimal solutions. We propose PVParser to approach this goal. PVParser first reduces the search space by identifying the PV-carrying payloads from network traffic via a periodic pattern detection mechanism. It then employs a modified Monte Carlo Tree Search to explore near-optimal segmentations, reducing error propagation from incorrect early boundary decisions. Experiments on three representative industrial CPS datasets demonstrate that PVParser achieves high accuracy and F1-score in PV-carrying payload localization and PV field inference, outperforming six state-of-the-art PRE approaches by a significant margin.
• Abstract（参考訳）: プロセス変数(PV)は、産業用サイバー物理システム(CPS)におけるプロセス認識セキュリティ監視に必要なプロセス証拠を提供する。 しかし、既存の監督インフラは、歴史家が記録したPV値のサブセットのみを公開しており、多くの実行時PV値が保存されていないままである。 この不完全なプロセスの可視性に対処するために、プロトコルリバースエンジニアリング(PRE)を通して、生産業用ネットワークトラフィックから直接PVフィールドとその意味を回復する問題について検討する。 この設定では、既存のPrepreメソッドは2つの実践的な課題に直面している。 PVキャリング通信と不均一なランタイムトラフィックが混在しており、PVキャリングペイロードは長く、デプロイ固有のものが多い。 混合ランタイムトラフィックはPV転送通信経路を曖昧にし、長いペイロードは、初期セグメンテーションエラーが、シーケンシャルな推論の下で後続のフィールドの回復を伝播し、破壊する巨大なセグメンテーション空間を作る。 本稿では,探索に基づく最適化問題として,生のネットワークトラフィックからのPVフィールドの回復を定式化する。 我々の重要な洞察は、そのような広大なセグメンテーション空間における正しいセグメンテーションを非逐次同定することは最適化問題であり、準最適解を探すことで解決できるということである。 この目標を達成するためにPVParserを提案する。 PVParserは、まず、周期パターン検出機構を介してPV輸送ペイロードをネットワークトラフィックから識別することで、検索スペースを縮小する。 その後、修正されたMonte Carlo Tree Searchを使用して、ほぼ最適セグメンテーションを探索し、誤った早期境界決定からのエラーの伝播を減らす。 3つの産業用CPSデータセットの実験により、PVParserはPV輸送ペイロードのローカライゼーションとPVフィールド推論において高い精度とF1スコアを達成し、最先端のPreアプローチを大きなマージンで上回った。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Pixel-Grounded Retrieval for Knowledgeable Large Multimodal Models [58.46663983451155]
  PixSearchは、地域レベルの認識と検索強化推論を統合する、エンドツーエンドのLMM(Large Multimodal Model)である。 エンコーディング中、PixSearchは検索をトリガーする検索>トークンを出力し、クエリのモダリティ(テキスト、画像、リージョン)を選択し、ビジュアルクエリとして直接機能するピクセルレベルのマスクを生成する。 エゴセントリックでエンティティ中心のVQAベンチマークでは、PixSearchは事実整合性と一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2026-01-27T00:46:08Z)
• PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario [60.906711761476735]
  PathFinderは、アンタングル化された特徴符号化を通じて建物や送信機を積極的にモデル化する新しいアーキテクチャである。 テストでは、PathFinderは最先端のメソッド、特に挑戦的なマルチトランスミッタシナリオにおいて、大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-12-16T07:15:15Z)
• Solar Photovoltaic Assessment with Large Language Model [5.156484100374059]
  太陽パネル検出の課題を克服するために,大規模言語モデル (LLM) をどのように活用できるかを検討する。 LLMは、多段階の論理過程の困難を含む、ソーラーパネルの検出においていくつかの課題に直面している。 より効率的な出力標準化のためのタスク分解を組み込んだLLMフレームワークを用いたPVアセスメントを提案する。
  論文  参考訳（メタデータ） (2025-07-25T10:26:29Z)
• Vanishing-Point-Guided Video Semantic Segmentation of Driving Scenes [70.08318779492944]
  私たちは、より効果的なセグメンテーションのために消滅点(VP)を最初に利用しました。 当社の新しいVSS用ネットワークであるVPSegには,この静的および動的VPプリエントを正確に利用する2つのモジュールが組み込まれています。
  論文  参考訳（メタデータ） (2024-01-27T01:01:58Z)
• A Deep RL Approach on Task Placement and Scaling of Edge Resources for Cellular Vehicle-to-Network Service Provisioning [6.756220853104791]
  エッジリソースのサービスタスク配置とスケーリングの相互依存問題に対処する。 本稿では,ハイブリッド行動空間で動作する新しいDeep Reinforcement Learning (DRL) アプローチを提案する。 実世界のC-V2Nトラフィックデータセットを用いたシミュレーションによりDHPGの性能を評価する。
  論文  参考訳（メタデータ） (2023-05-16T22:19:19Z)
• DeepSolar tracker: towards unsupervised assessment with open-source data of the accuracy of deep learning-based distributed PV mapping [0.0]
  既存の作業に基づいて、自動PVレジストリパイプラインを提案します。 このパイプラインは、すべての分散PVインストールの位置、エリア、インストール容量、傾き角を記録するデータセットを自動的に生成する。 本稿では,RNI(Registre national d'installation)に基づく非監督的手法を提案する。 当社のモデルは,50万平方キロメートル以上をカバーしているフランス9カ所のディパートメントにデプロイしています。
  論文  参考訳（メタデータ） (2022-07-15T13:23:24Z)
• Online V2X Scheduling for Raw-Level Cooperative Perception [21.099819062731463]
  視界が単独の知性を制限すると、コネクテッドカーの協調的な認識が救助にやってくる。 本稿では,センサ共有スケジューリングのエネルギー最小化問題を定式化して生レベルの協調認識モデルを提案する。 本稿では,対数的性能損失を伴うオンライン学習に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:16:45Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)

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。