論文の概要: A Graph-Based Stackelberg Security Game for Trustworthy 6G Disaggregated Architecture

• arxiv url: http://arxiv.org/abs/2609.29500v1
• Date: Mon, 24 Aug 2026 14:35:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.048684
• Title: A Graph-Based Stackelberg Security Game for Trustworthy 6G Disaggregated Architecture
• Title（参考訳）: 信頼できる6G分散アーキテクチャのためのグラフベースのStackelbergセキュリティゲーム
• Abstract要約: 本稿では,6GシステムセキュリティのためのグラフベースのStackelberg設計ゲームとして,アーキテクチャのデアグリゲーションを定式化する。 RAN, RIC, core, cloud, edge-AI 関数を用いた標準アンコール型 O-RAN/6G システムによる実験では、完全統合も最大分解も一般的ではない。
• 参考スコア（独自算出の注目度）: 18.470853443355775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open, cloud-native, and AI-enabled 6G architectures make network functions easier to deploy, observe, and replace, often implemented with separate software modules. However, each explicit interface can also create an entry point, trust transition, and lateral-movement route from a cybersecurity perspective. This paper formulates architectural disaggregation as a graph-based Stackelberg design game for 6G system security. A deployment graph specifies candidate 6G system seams, while an architecture-dependent directed attack graph specifies externally reachable functions and multistage paths. The defender commits to seams and allocates hardening and monitoring; an informed attacker then chooses a path and effort. Because edge traversal and evasion factors compose multiplicatively, the attacker's path response becomes a shortest-path problem after a logarithmic transformation. Convex effort costs admit a conjugate representation, and, for each fixed architecture, the defender's control problem is a convex exponential-epigraph program solvable by path generation. We derive an architecture-comparison criterion, a threshold for AI transducers within 6G systems that jointly add visibility and exposure, and comparative statics for attacker entry and bypass innovation. Experiments with stylized standards-anchored O-RAN/6G systems over RAN, RIC, core, cloud, and edge-AI functions show that neither full integration nor maximal disaggregation is generally best. Uncontrolled seams can increase risk, whereas selectively monitored and hardened seams can improve the Stackelberg objective. We find a boundary is worthwhile only when its detection and containment gains exceed its added attack opportunities and coordination cost.
• Abstract（参考訳）: オープンでクラウドネイティブ、AI対応の6Gアーキテクチャにより、ネットワーク機能のデプロイ、監視、置換が容易になり、しばしば別のソフトウェアモジュールで実装される。 しかし、各明示的なインターフェースは、サイバーセキュリティの観点からエントリポイント、信頼遷移、横移動ルートを作成することもできる。 本稿では,6GシステムセキュリティのためのグラフベースのStackelberg設計ゲームとして,アーキテクチャのデアグリゲーションを定式化する。 デプロイメントグラフは候補6Gシステムシームを指定し、アーキテクチャ依存のダイレクトアタックグラフは外部到達可能な機能とマルチステージパスを指定する。 ディフェンダーはシームにコミットし、ハードニングと監視を割り当てる。 エッジトラバースおよび回避因子が乗法的に構成されるため、攻撃者の経路応答は対数変換後の最短経路問題となる。 凸のコストは共役表現を許容し、各固定されたアーキテクチャに対して、ディフェンダーの制御問題は、経路生成によって解決可能な凸指数エピグラフプログラムである。 アーキテクチャ比較基準(Architecture-comparison criterion)は、6Gシステム内のAIトランスデューサに対して、可視性と露出を共同で追加するしきい値であり、アタッカーのエントリーとバイパスのイノベーションの比較静的性である。 RAN, RIC, コア, クラウド, エッジAI関数を用いた標準アンコールO-RAN/6Gシステムによる実験では, 完全統合も最大分解も一般的ではない。 無制御のシームはリスクを増大させるが、選択的に監視され硬化されたシームはスタックルバーグの目標を改善することができる。 境界線は、検出と封じ込めが追加の攻撃機会と調整コストを超えた場合にのみ有用である。

関連論文リスト

• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
  グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。 本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。 本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。 防衛面では, MC-GPB (+) を提案する。
  論文  参考訳（メタデータ） (2026-06-06T09:29:27Z)
• Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
  エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:38:18Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Adaptive Backdoor Attacks with Reasonable Constraints on Graph Neural Networks [23.16556684585613]
  ABARC(Adaptive Backdoor Attack with Reasonable Constraints)を提案する。 グラフレベルのタスクに対しては,グラフのトポロジに依存しないサブグラフバックドアアタックを提案する。 ノードレベルのタスクの場合、攻撃はノード機能の分析から始まり、続いてトリガ機能の選択と修正を行います。
  論文  参考訳（メタデータ） (2025-03-12T04:23:10Z)
• Everything Perturbed All at Once: Enabling Differentiable Graph Attacks [61.61327182050706]
  グラフニューラルネットワーク(GNN)は敵の攻撃に弱いことが示されている。 本稿では,DGA(Dariable Graph Attack)と呼ばれる新しい攻撃手法を提案し,効果的な攻撃を効率的に生成する。 最先端と比較して、DGAは6倍のトレーニング時間と11倍のGPUメモリフットプリントでほぼ同等の攻撃性能を達成する。
  論文  参考訳（メタデータ） (2023-08-29T20:14:42Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

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。