論文の概要: A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting

• arxiv url: http://arxiv.org/abs/2609.27903v1
• Date: Fri, 21 Aug 2026 11:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.005084
• Title: A Resilience Recovery Method for Complex Traffic Network Security Based on Trend Forecasting
• Title（参考訳）: トレンド予測に基づく複雑な交通ネットワークセキュリティのためのレジリエンス回復手法
• Abstract要約: 航空、航空宇宙、車両、船舶、電力、産業など様々な分野にまたがって、大規模で複雑な交通網が確立されている。 本稿では,レジリエンストレンド予測に基づく交通網のレジリエンス回復手法を革新的に提案する。
• 参考スコア（独自算出の注目度）: 19.009079524807024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the rapid development of information technology, a huge and complex traffic network has been established across various sectors, including aviation, aerospace, vehicles, ships, electric power, and industry. However, because of the complexity and diversity of its structure, the complex traffic network is vulnerable to being attacked and faces serious security challenges. Therefore, this paper innovatively proposes a traffic network resilience recovery method based on resilience trend forecasting. In this paper, the risk value is introduced into the analysis of the network fault propagation process, and the Susceptible, Infectious, Recovered, Dead-Risk (SIRD-R) fault propagation model is established. The resilience model of traffic network, which encompasses real-time resilience and overall resilience, is constructed through the integration of network resilience bearing capacity and resilience recovery capacity. Ten, the resilience of complex traffic networks is forecasted by using long short-term memory networks, and the resilience recovery strategy of complex traffic networks based on forecasting is proposed. Finally, the effectiveness and scalability of the proposed method are demonstrated through experimental analysis conducted on a diverse range of complex traffic networks, affirming its applicability in real-world scenarios
• Abstract（参考訳）: 情報技術の急速な発展により、航空、航空宇宙、車両、船舶、電力、産業など、様々な分野に大規模かつ複雑な交通網が構築されている。 しかし、その構造の複雑さと多様性のため、複雑なトラフィックネットワークは攻撃を受けやすく、深刻なセキュリティ上の問題に直面している。 そこで本稿では,レジリエンス傾向予測に基づく交通網のレジリエンス回復手法を革新的に提案する。 本稿では, ネットワーク障害伝播過程の解析にリスク値を導入し, サセプティブル, 感染性, 回復性, デッドリスク(SIRD-R)障害伝播モデルを構築した。 リアルタイムのレジリエンスと全体的なレジリエンスを含むトラフィックネットワークのレジリエンスモデルは、ネットワークレジリエンスのキャパシティとレジリエンス回復能力を統合して構築される。 複雑なトラフィックネットワークのレジリエンスを長期記憶ネットワークを用いて予測し,予測に基づく複雑なトラフィックネットワークのレジリエンス回復戦略を提案する。 最後に,提案手法の有効性と拡張性について,実世界のシナリオで適用可能であることを確認するとともに,多様な複雑なネットワーク上で実施した実験的解析により実証した。

関連論文リスト

• Reliability and Resilience of AI-Driven Critical Network Infrastructure under Cyber-Physical Threats [1.7614511833648008]
  本稿では,サイバー物理的攻撃条件下でのカスケード障害を軽減するための耐障害性とレジリエンスに配慮した枠組みを提案する。 NS-3シミュレーションを用いて総合的な検証を行い、信頼性、レイテンシ、レジリエンス指数、パケット損失率などの重要な性能指標を分析した。
  論文  参考訳（メタデータ） (2025-10-22T06:56:44Z)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
  静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。 解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
  論文  参考訳（メタデータ） (2025-06-20T17:54:24Z)
• Quantitative Resilience Modeling for Autonomous Cyber Defense [8.817401748976375]
  サイバーレジリエンス(サイバーレジリエンス)とは、システムがシステム操作に最小限の影響で攻撃から回復する能力である。 多様なネットワークトポロジやアタックパターンに適用可能な、レジリエンスの正式な定義はありません。 複数のディフェンダ運用目標を考慮したレジリエンスの定量的定式化を提案する。
  論文  参考訳（メタデータ） (2025-03-04T16:52:25Z)
• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Towards Understanding Theoretical Advantages of Complex-Reaction Networks [77.34726150561087]
  パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。 経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
  論文  参考訳（メタデータ） (2021-08-15T10:13:49Z)

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。