論文の概要: Diff-DDoS: Realistic Cyber-Physical Attack Synthesis and Robust Detection for 5G-Enabled CPS Using Tabular Diffusion Models
- arxiv url: http://arxiv.org/abs/2608.17796v1
- Date: Tue, 18 Aug 2026 13:56:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.357198
- Title: Diff-DDoS: Realistic Cyber-Physical Attack Synthesis and Robust Detection for 5G-Enabled CPS Using Tabular Diffusion Models
- Title（参考訳）: Diff-DDoS: タブラリ拡散モデルを用いた5G-Enabled CPSのリアルサイバー物理攻撃合成とロバスト検出
- Abstract要約: 5G対応サイバー物理システムのためのディープラーニングベースのDDoS検出器は、ラベル付きアタックデータと非現実的な合成代替品が不足している。
本稿では,現実的な攻撃合成とロバスト検出モデルのための3段階フレームワークであるDiff-DDoSを提案する。
- 参考スコア（独自算出の注目度）: 8.261320256835306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based DDoS detectors for 5G-enabled cyber-physical systems face scarce labeled attack data and unrealistic synthetic substitutes, which limit robustness against adaptive adversaries. Detectors trained on hand-crafted attacks with fixed scaling multipliers degrade catastrophically (F1-score drops of about 47 percent to 100 percent, depending on scenario) when confronted with realistic, distribution-preserving samples. We propose Diff-DDoS, a three-phase framework for realistic attack synthesis and robust detection using tabular diffusion models. Phase 1 trains a baseline CNN cell-level detector on spatiotemporal grids from call detail records (CDRs). Phase 2 trains a tabular denoising diffusion probabilistic model (TabDDPM) on normal CDR aggregates to generate realistic attacks and expose detector vulnerabilities. Phase 3 introduces adversarial diffusion training (ADT), using inverse classifier guidance to generate hard yet distribution-preserving samples until the detector converges. On a Milano CDR dataset across SMS-flooding, silent-call, Internet-signaling, and blended scenarios, ResNet50 with ADT recovers F1-scores of 79.62 percent (silent-call), 100 percent (Internet), and 92.79 percent (blended). After validation-based threshold calibration, ADT reaches 100 percent SMS F1 versus 47.3 percent for CTGAN, and matches the strongest gradient-based adversarial-training baseline on silent-call. These results support tabular diffusion models for stress-testing and hardening intrusion detectors in data-scarce 5G cyber-physical deployments.
- Abstract（参考訳）: 5G対応サイバー物理システムのためのディープラーニングベースのDDoS検出器は、アタックデータと非現実的な合成代替品が不足しており、適応的な敵に対する堅牢性を制限する。
測定器は手作りの攻撃を訓練し、一定のスケーリング乗算器で破滅的に分解する(シナリオによってはF1スコアの約47%から100%)。
本稿では,現実的な攻撃合成とグラフ拡散モデルを用いたロバスト検出のための3段階フレームワークであるDiff-DDoSを提案する。
フェーズ1は、コールディテールレコード(CDR)から時空間格子上のベースラインCNNセルレベル検出器を訓練する。
フェーズ2は、通常のCDR集合体に表層拡散確率モデル(TabDDPM)を訓練し、現実的な攻撃を発生させ、検出器の脆弱性を露呈する。
第3相は逆拡散訓練(ADT)を導入し、逆分類器のガイダンスを用いて、検出器が収束するまで、硬いが分布保存サンプルを生成する。
SMSフルート、サイレントコール、インターネットシグナリング、混合シナリオを含むミラノのCDRデータセットでは、ResNet50とADTがF1スコアを79.62パーセント(サイレントコール)、100%(インターネット)、92.79パーセント(ブリード)で回復する。
バリデーションベースのしきい値校正の後、ATTは100%SMS F1、CTGANは47.3%に達し、サイレントコールでは最強の勾配ベースの逆トレーニングベースラインと一致する。
これらの結果は、データスカース5Gサイバー物理展開における応力試験および硬化侵入検知のための表層拡散モデルをサポートする。
関連論文リスト
- Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks [14.525312658167232]
電気配信ネットワークのデジタル化は、サイバー攻撃に対する電力グリッドインフラの露出を増大させた。
既存の侵入検知システムは、端に展開するのが難しい計算コストの高いディープラーニングモデルに依存していることが多い。
本稿では,効率的な時間エンコーディングと軽量な分類器を組み合わせたハイブリッドスパイキングニューラルネットワーク(SNN)とXGBoostアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-09-09T00:43:44Z) - CITADEL: CSI-Based Jamming Detection and Open-Set Classification for IIoT Networks [8.234024185555208]
無線周波数ジャミングは、無線産業用IoT(Industrial Internet of Things)ネットワークの可用性に重大な脅威をもたらす。
既存の検出と分類技術はこの設定には適していない。
本稿では,チャネル状態情報(CSI)測定のみを用いた軽量な2段階階層パイプラインを提案する。
論文 参考訳（メタデータ） (2026-06-22T07:16:50Z) - Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems [6.42094170804706]
敵の攻撃は ネットワークトラフィックデータに 慎重に妨害を加え 誤分類に繋がる
本稿では,攻撃者がシステムを操作しようとすると,どのようなアーキテクチャが実際に維持されるのかを問う。
敵の環境で侵入検知を行う実践者に対しては、CNNベースのアーキテクチャを推奨する。
論文 参考訳（メタデータ） (2026-06-10T13:41:44Z) - Information-Theoretic Digital Twins for Stealthy Attack Detection in Industrial Control Systems: A Closed-Form KL Divergence Approach [0.0]
デジタル双生児(DT)は産業制御システム(ICS)の監視・確保にますます利用されている
しかし、通常の物理的境界内でシステム状態を操作するステルスな偽データ注入攻撃(FDIA)を検出することは依然として困難である。
リアルタイム異常検出のためのクローズドループ情報理論デジタルツイン(IT-DT)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T08:56:11Z) - When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。
PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
論文 参考訳（メタデータ） (2026-02-21T07:22:37Z) - CSI-4CAST: A Hybrid Deep Learning Model for CSI Prediction with Comprehensive Robustness and Generalization Testing [44.045995554758385]
本稿では、畳み込みニューラルネットワーク残基、適応補正層、ShuffleNetブロック、Transformerの4つの重要なコンポーネントを統合するハイブリッドディープラーニングアーキテクチャであるCSI-4CASTを紹介する。
データセットは、複数のチャネルモデル、広範囲の遅延スプレッドとユーザ速度、さまざまなノイズタイプと強度度にまたがる。
実験の結果,CSI-4CASTは計算コストを大幅に削減して予測精度が向上した。
論文 参考訳（メタデータ） (2025-10-14T21:19:52Z) - Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。
我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
論文 参考訳（メタデータ） (2025-03-04T21:49:42Z) - Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。
本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。
このアプローチは、潜在空間における表現学習の強みを生かしている。
論文 参考訳（メタデータ） (2024-06-04T03:22:52Z) - DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial
Purification [63.65630243675792]
拡散に基づく浄化防御は拡散モデルを利用して、敵の例の人工摂動を除去する。
近年の研究では、先進的な攻撃でさえ、そのような防御を効果的に破壊できないことが示されている。
拡散型浄化防衛を効果的かつ効率的に行うための統合フレームワークDiffAttackを提案する。
論文 参考訳（メタデータ） (2023-10-27T15:17:50Z) - Diffusion-Based Adversarial Sample Generation for Improved Stealthiness
and Controllability [62.105715985563656]
そこで本研究では,現実的な対向サンプルを生成するための拡散型射影勾配 Descent (Diff-PGD) という新しいフレームワークを提案する。
我々のフレームワークは、デジタルアタック、物理世界アタック、スタイルベースのアタックなど、特定のタスクに簡単にカスタマイズできる。
論文 参考訳（メタデータ） (2023-05-25T21:51:23Z) - Sample Efficient Detection and Classification of Adversarial Attacks via
Self-Supervised Embeddings [40.332149464256496]
ディープモデルのアドリヤロバスト性は、現実世界の環境において安全な配置を確保する上で重要な要素である。
本稿では、敵攻撃を検知し、それらの脅威モデルに分類する自己教師型手法を提案する。
我々は,SimCLRエンコーダを実験で使用しています。
論文 参考訳（メタデータ） (2021-08-30T16:39:52Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳（メタデータ） (2020-12-02T15:30:21Z)
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。