Fugu-MT 論文翻訳(概要): On Identifying Adversarial Intent Injection in AI-Native 6G Networks

論文の概要: On Identifying Adversarial Intent Injection in AI-Native 6G Networks

arxiv url: http://arxiv.org/abs/2609.12144v1
Date: Thu, 10 Sep 2026 19:23:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.524759
Title: On Identifying Adversarial Intent Injection in AI-Native 6G Networks
Title（参考訳）: AI-Native 6G ネットワークにおける逆入射入射入射出射出射出射出射出射出射出射出射出射出射出射出射出射出射出射出射入射出射出射出射入射出射入射入射入射入射入
Abstract要約: 6GネットワークはIntent-Based Networking (IBN)を最前線に持ち込み、高いレベルの目標をネットワーク構成に変換することを可能にする。本稿では、AIネイティブネットワークにおける悪意ある意図注入の脅威を促進するための、きめ細かい脅威モデルを定義する。悪質なインテントインジェクション戦略として, 盗聴モード, ランダム分布, 周波数増加, 周波数低下の4つについて検討し, デュアルパス検出フレームワークを提案する。
参考スコア（独自算出の注目度）: 5.454655952229795
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: AI-native 6G networks have brought Intent-Based Networking (IBN) to the forefront, enabling high-level goals to be translated into network configurations. However, this abstraction opens new attack surfaces, primarily adversarial intent injection, where malicious policies are disguised within benign intent flows. The detection of attack instances might become significantly more difficult if the adversaries adopt a stealthy mode of malicious intent injection. With all these in mind, we first define a fine-grained threat model that facilitates the threat of malicious intent injection in an AI-native network. Alongside, we investigate four malicious intent injection strategies$-$ stealth-mode, random distribution, increasing frequency, and decreasing frequency- and propose a dual-path detection framework: (i) a CNN using TF-IDF features for supervised malicious intent detection, and (ii) an AutoEncoder trained exclusively on benign data for one-class malicious intent detection. Our evaluation demonstrates strong detection performance, with accuracy improving to 0.97 (~9\% gain) and F1-score to 0.98 (~36\% gain) over the state-of-the-art baseline.
Abstract（参考訳）: AIネイティブな6Gネットワークは、Intent-Based Networking(IBN)を前面に持ち込み、ハイレベルな目標をネットワーク構成に変換することを可能にする。しかし、この抽象化は新たな攻撃面、主に敵の意図注入を開放し、悪意のある意図の流れの中で悪意のあるポリシーが偽装される。敵が悪意のあるインテントインジェクションのステルスモードを採用すると、攻撃インスタンスの検出が著しく難しくなる可能性がある。これらすべてを念頭に置いて、AIネイティブネットワークにおける悪意ある意図注入の脅威を促進する、きめ細かい脅威モデルを定義する。同時に、4つの悪意あるインテントインジェクション戦略($-$s stealth-mode, random distribution, increase frequency, and decrease frequency)を調査し、デュアルパス検出フレームワークを提案する。 (i)TF-IDF機能を用いた不正意図検出用CNN、及び (ii) 1クラスの悪意のある意図検出のために、良性データのみを訓練したAutoEncoder。評価の結果,精度は0.97(~9\%利得),F1スコアは0.98(~36\%利得)に向上した。

関連論文リスト

PLAA: Packet-level Adversarial Attacks in Network Traffic Detection [14.770994242897055]
本稿では,NIDS(Network-based Intrusion Detection System)に特化して設計された敵攻撃を提案する。本手法では,フローレベルの特徴を直接生成するのではなく,パケットレベルの特徴を漸進的に生成し,逆方向のトラフィックを構築する。提案手法は、生成した敵トラフィックが元の悪意のあるトラフィックと意味的に一致し続けることを保証しながら、平均回避成功率92.78%を達成する。
論文参考訳（メタデータ） (2026-06-26T07:58:21Z)
TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
論文参考訳（メタデータ） (2026-04-30T13:44:01Z)
NetDiffuser: Deceiving DNN-Based Network Attack Detection Systems with Diffusion-Generated Adversarial Traffic [1.8225278540778656]
本稿では,ネットワーク侵入検知システム (NIDS) を無効化可能な自然敵例(NAE)を生成するためのフレームワークであるNetDiffuserを提案する。 NetDiffuserは攻撃成功率を29.93%向上させ、AE検出性能を少なくとも0.267(時には0.534まで)削減する。
論文参考訳（メタデータ） (2026-03-09T20:13:51Z)
DeepTrust: Multi-Step Classification through Dissimilar Adversarial Representations for Robust Android Malware Detection [3.523860679419481]
この研究は、柔軟な分類器を順序づけられたシーケンスに配置する新しいメタヒューリスティックであるDeepTrustを提示する。 2025年のIEEE Conference SaTMLのRobust Android Malware Detectionコンペティションでは、DeepTrustが第一位を獲得し、最先端の結果を得た。これは、非敵マルウェアの最も高い検出率と1%以下の偽陽性率を維持しながら達成される。
論文参考訳（メタデータ） (2025-10-14T09:10:23Z)
MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文参考訳（メタデータ） (2024-09-29T07:22:47Z)
A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning [0.0]
車両内侵入検知システム(IDS)は、目に見える攻撃を検出し、新しい目に見えない攻撃に対する堅牢な防御を提供する必要がある。これまでの作業は、CAN ID機能のみに依存していたり、手動で機能抽出する従来の機械学習(ML)アプローチを使用していました。本稿では,これらの制約に対処するために,最先端,斬新,軽量,車内,IDS平均化,深層学習(DL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-15T21:51:56Z)
AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
論文参考訳（メタデータ） (2024-08-04T09:53:50Z)
Adversarial Camouflage for Node Injection Attack on Graphs [64.5888846198005]
グラフニューラルネットワーク(GNN)に対するノードインジェクション攻撃は、GNNのパフォーマンスを高い攻撃成功率で低下させる能力のため、近年注目を集めている。本研究は,これらの攻撃が現実的なシナリオでしばしば失敗することを示す。これを解決するため,我々はカモフラージュノードインジェクション攻撃(camouflage node Injection attack)に取り組んだ。
論文参考訳（メタデータ） (2022-08-03T02:48:23Z)
TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文参考訳（メタデータ） (2021-03-10T19:03:38Z)
Double Targeted Universal Adversarial Perturbations [83.60161052867534]
本稿では, インスタンス別画像依存摂動と汎用的普遍摂動のギャップを埋めるために, 二重目標普遍摂動(DT-UAP)を導入する。提案したDTAアルゴリズムの幅広いデータセットに対する有効性を示すとともに,物理攻撃の可能性を示す。
論文参考訳（メタデータ） (2020-10-07T09:08:51Z)
Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
論文参考訳（メタデータ） (2020-07-28T19:00:40Z)

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。