論文の概要: Autonomous Cyber Defense in Connected Vehicles: A Multi-Agent Approach to V2X Security
- arxiv url: http://arxiv.org/abs/2608.19135v1
- Date: Wed, 19 Aug 2026 17:28:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.477526
- Title: Autonomous Cyber Defense in Connected Vehicles: A Multi-Agent Approach to V2X Security
- Title（参考訳）: 接続車両における自律型サイバー防御 - V2Xセキュリティへのマルチエージェントアプローチ
- Abstract要約: 接続された車両は約100ミリ秒で、着信する基本安全メッセージが本物か製造されているかを決定する。
本稿では,このタイミング制約を性能目標ではなく,ハードデザイン要件として扱う3層マルチエージェントアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A connected vehicle has roughly 100 milliseconds to decide whether an incoming Basic Safety Message is real or fabricated. If a false emergency braking alert reaches the planning pipeline in time, the car brakes - a safety failure triggered by a security failure. Existing intrusion detection systems are not designed to handle that coupling. They operate per vehicle, per message, with static rules - blind to attack patterns that only emerge across a fleet or over time, and blind to the fundamental tension between dropping a suspicious message and dropping a real emergency alert. We propose a three-tier multi-agent architecture that treats this timing constraint as a hard design requirement, not a performance target. At the vehicle level, an onboard agent classifies each incoming V2X message into one of four actions - Accept, Drop, Quarantine, or Escalate - within a 10-millisecond budget, deliberately biased toward Escalate when uncertain, passing ambiguous cases to the roadside edge agent rather than risking a dropped legitimate alert. The edge agent operates across a roadside unit zone with a 50-millisecond budget, fusing threat assessments from multiple vehicles and resolving safety-security conflicts using complementary sensor observations. The cloud tier refines detection models through Byzantine fault-tolerant federated learning and redistributes updated weights to the fleet. Every timing constraint derives directly from the 100-millisecond Basic Safety Message cycles mandated by SAE J2735 and ETSI EN 302 637-2. No existing framework simultaneously assigns standards-grounded latency budgets to all three deployment tiers while treating safety-security conflict resolution as a first-class design constraint. Remaining open problems - adversarial poisoning at the edge and the absence of regulatory frameworks for autonomous security response - are discussed as future work.
- Abstract（参考訳）: 接続された車両は約100ミリ秒で、着信する基本安全メッセージが本物か製造されているかを決定する。
仮の緊急ブレーキ警報が計画パイプラインに間に合わせると、車はブレーキをかけます。
既存の侵入検知システムは、その結合を処理するように設計されていない。
車両ごと、メッセージごとに、静的なルールで運用する - 車両全体や時間とともに現れるパターンを攻撃し、不審なメッセージを落とし、真の緊急警報を落とすという基本的な緊張を無視する。
本稿では,このタイミング制約を性能目標ではなく,ハードデザイン要件として扱う3層マルチエージェントアーキテクチャを提案する。
車種レベルでは、車載エージェントは、各V2Xメッセージを受信、ドロップ、クォータイン、エスカレートの4つのアクションのうちの1つに分類する。
エッジエージェントは、500ミリ秒の予算でロードサイドのユニットゾーンを横断し、複数の車両からの脅威評価を融合させ、補完的なセンサー観測を使用して安全とセキュリティの対立を解決する。
クラウド層は、ビザンチンのフォールトトレラントなフェデレーション学習を通じて検出モデルを洗練し、更新された重量を艦隊に再配布する。
全てのタイミング制約は、SAE J2735とETSI EN 302 637-2が管理する100ミリ秒の基本安全メッセージサイクルから直接導かれる。
既存のフレームワークでは、標準ベースのレイテンシ予算を3つのデプロイ層すべてに同時に割り当てることなく、安全とセキュリティの衝突の解決をファーストクラスの設計制約として扱います。
未解決の問題 - エッジでの敵の毒殺と、自律的なセキュリティ対応のための規制枠組みの欠如 - は、今後の作業として議論される。
関連論文リスト
- AgentLens: Interpretable Safety Steering via Mechanistic Subspaces for Multi-Turn Coding Agent [53.82005364479556]
大規模言語モデル(LLM)に基づく符号化エージェントは、驚くべき自律性を示す。
既存の安全機構は主に外部ガードレールに依存している。
我々は,ランタイムの安全性検出と表現レベルの緩和を行う,ホワイトボックスの防御フレームワークであるAgentLensを提案する。
論文 参考訳（メタデータ） (2026-06-21T21:13:55Z) - Auditing Agent Harness Safety [81.22315979618612]
LLMエージェントは、ツールをディスパッチし、リソースを割り当て、特別なコンポーネント間でメッセージをルーティングする実行ハーネスの中でますます動作します。
ほとんどの安全ベンチマークは最終出力または終端状態のみをスコアするが、多くの違反は終端ではなく、軌道の途中で発生する。
HarnessAuditは、境界コンプライアンス、実行の忠実さ、システムの安定性など、完全な実行軌跡を監査するフレームワークである。
論文 参考訳（メタデータ） (2026-05-14T02:14:28Z) - On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
既存の安全アライメント信号は、主に応答レベルまたは政治外である。
FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。
FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
論文 参考訳（メタデータ） (2026-05-12T09:56:28Z) - A Future Capabilities Agent for Tactical Air Traffic Control [0.0]
エージェント・マラード(Agens Mallard)は、システム化された空域における制御のためのルールベースの戦術的エージェントである。
このアーキテクチャは、モデルに基づく安全性評価、解釈可能な決定論理、およびトラクタブルな計算性能を組み合わせることを意図している。
論文 参考訳（メタデータ） (2026-01-07T14:19:46Z) - RoboSafe: Safeguarding Embodied Agents via Executable Safety Logic [56.38397499463889]
視覚言語モデル(VLM)を利用するエージェントは、複雑な現実世界のタスクを実行する能力がますます高まっている。
しかし、安全でない行動を引き起こす可能性のある危険な指示に弱いままである。
提案するRoboSafeは,実行可能述語ベースの安全ロジックを通じて,エージェントを具体化するためのランタイムセーフガードである。
論文 参考訳（メタデータ） (2025-12-24T15:01:26Z) - Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。
確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。
Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2025-12-17T14:45:33Z) - Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks [0.5505634045241287]
既存のセキュリティスキームでは、車両の大規模ネットワークの10ms未満の異常検出と分散調整ができない。
本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを紹介する。
エッジ上の光アンサンブル異常検出モデル、Byzantine-fault-tolerant Federated Learningを使用して、地域規模の脅威インテリジェンスを集約する、重要なセキュリティ調整を保証するための選択されたブロックチェーンメカニズムが含まれている。
論文 参考訳（メタデータ） (2025-11-16T15:30:46Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Automating Steering for Safe Multimodal Large Language Models [58.36932318051907]
基礎モデルの微調整を必要とせず,モジュール型かつ適応型推論時間介入技術であるAutoSteerを導入する。
AutoSteerは,(1)モデル内部層間の最も安全性に関連のある識別を自動的に行う新しい安全意識スコア(SAS),(2)中間表現から有害な出力の可能性を推定するために訓練された適応安全プローバ,(3)安全性のリスクが検出された場合に生成を選択的に介入する軽量な拒絶ヘッドの3つのコアコンポーネントを組み込んだ。
論文 参考訳（メタデータ） (2025-07-17T16:04:55Z) - AttentionGuard: Transformer-based Misbehavior Detection for Secure Vehicular Platoons [0.0]
車両小隊は、認証されたインサイダーによる高度なファルシフィケーション攻撃に対して脆弱である。
本稿では,誤動作検出のためのトランスフォーマーベースのフレームワークであるAttentionGuardを紹介する。
我々は,AttentionGuardが攻撃検出において最大0.95F1スコアを達成することを示す。
論文 参考訳（メタデータ） (2025-05-15T13:24:09Z) - Guardians of the Agentic System: Preventing Many Shots Jailbreak with Agentic System [0.8136541584281987]
本研究は,3つの検査手法を用いて,逆チューリングテストによりローグエージェントを検出し,マルチエージェントシミュレーションにより知覚的アライメントを解析する。
GEMINI 1.5 Pro と llama-3.3-70B, Deepseek r1 モデルを用いて, 抗ジェイルブレイクシステムを開発した。
GEMINI 1.5 Proの94%の精度など、検出能力は強いが、長時間の攻撃を受けた場合、システムは永続的な脆弱性に悩まされる。
論文 参考訳（メタデータ） (2025-02-23T23:35:15Z)
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。