論文の概要: Co-Evolving Zero-Day Jamming: Adaptive Attack Synthesis and Graph Attention-Based Online Detection

• arxiv url: http://arxiv.org/abs/2609.21334v1
• Date: Fri, 18 Sep 2026 05:34:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.869875
• Title: Co-Evolving Zero-Day Jamming: Adaptive Attack Synthesis and Graph Attention-Based Online Detection
• Title（参考訳）: ゼロデイジャミングの共進化:適応的攻撃合成とグラフ注意に基づくオンライン検出
• Abstract要約: 時間-スペクトル表現学習のためのグラフ注意ネットワーク(GAT)とDirichlet Process(DP)-meansクラスタリングを組み合わせたオンライン検出フレームワークが導入された。 逆ベンチマークとして推論駆動強化学習(RL)ジャマーを提案する。 シミュレーションの結果,提案したRLジャマーは,33%の攻撃効率,67%のステルスを達成し,ベンチマークを上回る性能を示した。
• 参考スコア（独自算出の注目度）: 28.60380798874895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective evaluation of zero-day jamming detectors requires robust adversarial models. However, existing attack models often assume prior knowledge of the target receiver, limiting their utility as evaluation benchmarks. On the detection side, existing detectors fail to capture the global temporal-spectral structure of jamming behavior and cannot differentiate zero-day strategies as they emerge. This paper addresses these limitations through a two-pronged framework. First, an online detection framework is introduced that combines a graph attention network (GAT) for temporal-spectral representation learning with Dirichlet process (DP)-means clustering. This framework jointly classifies known and discovers zero-day strategies within a unified learning objective. Second, an inference-driven reinforcement learning (RL) jammer is proposed as an adversarial benchmark. The jammer treats the target receiver as a black-box, infers the detector state via hypothesis testing, and optimizes the trade-off between attack impact and stealth. Simulation results show that the proposed RL jammer outperforms benchmarks, achieving 33% higher attack efficacy and 67% higher stealth. The proposed detection framework against the proposed RL jammer is shown to achieve 20% higher detection accuracy than the benchmarks.
• Abstract（参考訳）: ゼロデイジャミング検出器の有効評価には、頑健な対角モデルが必要である。 しかし、既存の攻撃モデルは、しばしばターゲットレシーバーの事前の知識を前提としており、評価ベンチマークとしての実用性を制限している。 検出側では、既存の検出器はジャミング行動のグローバルな時間スペクトル構造を捉えることができず、ゼロデイ戦略が現れると区別できない。 本稿では、これらの制限を2つのフレームワークで解決する。 まず、時間スペクトル表現学習のためのグラフ注意ネットワーク(GAT)とディリクレプロセス(DP)平均クラスタリングを組み合わせたオンライン検出フレームワークを導入する。 このフレームワークは、知識を共同で分類し、統一学習目標内のゼロデイ戦略を発見する。 次に、逆ベンチマークとして、推論駆動強化学習(RL)ジャマーを提案する。 ジャマーはターゲットレシーバーをブラックボックスとして扱い、仮説テストにより検出器状態を推測し、攻撃衝撃とステルスの間のトレードオフを最適化する。 シミュレーションの結果,提案したRLジャマーは,33%の攻撃効率,67%のステルスを達成し,ベンチマークを上回る性能を示した。 提案したRLジャマーに対する検出フレームワークは,ベンチマークよりも20%高い検出精度が得られた。

関連論文リスト

• GAMBIT: A Three-Mode Benchmark for Adversarial Robustness in Multi-Agent LLM Collectives [48.545980031973556]
  GAMBITは、インポスタ検出器を評価するための3つの評価モードと2つの独立したスコアを持つベンチマークである。 ベンチマークには、240の共進化型インポスタ戦略にまたがる27,804のラベル付きインスタンスのデータセットが付属している。
  論文  参考訳（メタデータ） (2026-05-09T16:07:23Z)
• Where Relevance Emerges: A Layer-Wise Study of Internal Attention for Zero-Shot Re-Ranking [40.652380579951206]
  In-Context Re- rank (ICR) は、最近$O(1)$代替メソッドとして提案されている。 ICRは内部の注意信号を直接抽出し、テキスト生成のオーバーヘッドを回避する。 統一的な研究は、内部の注意を従来の生成的および可能性に基づくメカニズムと比較していない。
  論文  参考訳（メタデータ） (2026-02-26T03:51:31Z)
• StealthRL: Reinforcement Learning Paraphrase Attacks for Multi-Detector Evasion of AI-Text Detectors [0.0]
  StealthRLはAIテキスト検出のための強化学習フレームワークである。 我々は,現実的な対向条件下で,マルチ検出器アンサンブルに対してパラフレーズポリシーを訓練する。 StealthRLはゼロに近い検出を実現し、平均AUROCを0.74から0.27に減らし、99.9%の攻撃成功率を達成した。
  論文  参考訳（メタデータ） (2026-02-09T17:33:46Z)
• A Novel Contrastive Loss for Zero-Day Network Intrusion Detection [0.769672852567215]
  機械学習は、ネットワーク侵入の検出において最先端の結果を達成した。 しかし、ゼロデイアタック(ゼロデイアタック)という新しいアタッククラスに直面すると、パフォーマンスは著しく低下する。 本研究は、他の対照的な学習に基づくアプローチの利点を維持することができる、新しい対照的な損失関数を提案する。
  論文  参考訳（メタデータ） (2026-01-14T22:20:38Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• 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)
• ADoPT: LiDAR Spoofing Attack Detection Based on Point-Level Temporal Consistency [11.160041268858773]
  ディープニューラルネットワーク(DNN)は、自動運転車(AV)のためのLiDARベースの知覚システムにますます統合されている 我々は,攻撃者がLiDARデータに偽のオブジェクトを注入し,その環境を誤解釈して誤った判断を下すという,LiDAR偽造攻撃の課題に対処することを目指している。 ADoPT (Anomaly Detection based on Point-level Temporal consistency) は、連続するフレーム間の時間的一貫性を定量的に測定し、ポイントクラスタのコヒーレンシーに基づいて異常物体を同定する。 nuScenesデータセットを用いた評価では、アルゴリズムは様々なLiDARスプーフィング攻撃に対して効果的に対応し、低(低)を実現している。
  論文  参考訳（メタデータ） (2023-10-23T02:31:31Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。