論文の概要: Physics-Attested Federated Learning: Securing Collaborative Anomaly Detection in Critical Water Infrastructure

• arxiv url: http://arxiv.org/abs/2609.34804v1
• Date: Mon, 28 Sep 2026 10:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:42:18.084258
• Title: Physics-Attested Federated Learning: Securing Collaborative Anomaly Detection in Critical Water Infrastructure
• Title（参考訳）: 物理実験によるフェデレーション学習:臨界水基盤における協調的異常検出の確保
• Abstract要約: フェデレーテッド・ラーニング(Federated Learning)は、産業オペレーターが、独自の運用テレメトリを公開することなく、共有侵入検出モデルを訓練することを可能にする。 既存の防衛は更新スペースで厳格に機能し、アグリゲーターはデータ中毒に盲目になる。 ゼロ知識証明 (zk-SNARKs) を用いて, クライアントが遠隔測定を行なわずにバッチアテンデンスを証明できるようにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables industrial operators to train shared intrusion detection models without disclosing proprietary operational telemetry. However, existing defenses operate strictly in update space, leaving aggregators blind to data poisoning; model updates derived from fabricated telemetry remain indistinguishable from honest contributions. We repurpose cyber-physical process invariants, such as conservation laws and actuator couplings, from runtime detection heuristics into a verifiable admission requirement for federated updates, mined automatically from clean operational data. We evaluate this admission gate across two physical water testbeds (SWaT, WADI) and a distribution benchmark (BATADAL), testing seven aggregation rules against telemetry fabrication, exposure-only replay poisoning, and an invariant-aware adaptive adversary. Across three testbeds the mined invariants reject none of 100 honest shards and all naively fabricated ones, including optimised perturbations that FoolsGold admits in full. On real telemetry, five mined invariants detect 12 of SWaT's 35 attacks, while nine invariants detect 20, with no honest shard rejected. With nine rules, the physics gate recovers 69--100% of the targeted-attack recall lost to replay poisoning, and 54--100% of that lost to fabricated telemetry, across five standard aggregators. To reconcile physical admission control with federated data privacy, we show invariant compliance using zero-knowledge proofs (zk-SNARKs) to allow clients to prove batch adherence without revealing operational telemetry.
• Abstract（参考訳）: フェデレーテッド・ラーニング(Federated Learning)は、産業オペレーターが、独自の運用テレメトリを公開することなく、共有侵入検出モデルを訓練することを可能にする。 しかし、既存の防衛は更新スペースで厳格に運用されており、アグリゲーターはデータ中毒に盲目であり、製造されたテレメトリから派生したモデル更新は、正直な貢献とは区別できないままである。 我々は,保護法やアクチュエータ結合などのサイバー物理過程の不変性を,実行時検出ヒューリスティックから,クリーンな運用データから自動的にマイニングされるフェデレーション更新に対する検証可能な受け入れ条件に再利用する。 本研究では,この入水ゲートを2つの物理水テストベッド (SWaT, WADI) と分配ベンチマーク (BATADAL) で評価し,テレメトリー製造に対する7つのアグリゲーションルール,露光のみのリプレイ中毒,非可変適応敵に対する適応性を検証した。 3つのテストベッド全体で、採掘された不変量は100個の正直なシャードと、フールズゴールドが完全に認めている最適な摂動を含む全ての鼻で作られたシャードを拒絶する。 実際の遠隔測定では、5つの採掘された不変量はSWaTの35件の攻撃のうち12件を検出し、9つの不変量は20件を検出し、正直なシャードは拒否されなかった。 9つの規則により、物理ゲートは標的攻撃のリコールの69-100%をリコールし、その54-100%は5つの標準アグリゲータで製造されたテレメトリーに損失した。 フェデレーションデータプライバシによる物理的受け入れ制御の整合を図るため,ゼロ知識証明(zk-SNARKs)を用いた不変のコンプライアンスを示す。

関連論文リスト

• The Deception Delta: Adversarial Evaluation of LLM-Based Smart Contract Bytecode Forensics [0.0]
  大規模な言語モデルは、ブロックチェーンの法医学的な調査でますます使われている。 逆行性騙しは ドレインの検出を 20.0ポイント減らす モデルは、隠されたドレインメカニズムを正しく記述するが、契約のフレーミングを受け入れ、それを良心として無視する。
  論文  参考訳（メタデータ） (2026-09-12T18:45:24Z)
• Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks [1.656436183201117]
  送信重みデルタからのサーバ側クライアント識別推定について検討する。 軽量なクリップ・テーマ・ノイズ・ディフェンスのプライバシーとユーティリティのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2026-09-02T09:49:39Z)
• CUSTOS: Toward Forensic-Ready Zero Trust at the Capture-Containment Boundary [1.1458853556386797]
  CUSTOSは、法医学的管理ポイント(FMP)を中心にした、法医学的なZT参照アーキテクチャである。 常時オンの判定記録は、ゲートウェイ上で1.9～3.0%のスループットコストで取得され、ハッシュチェーンされる。 以上の結果から, 鑑識対応型ZTは, 常にオンの床と有界な反応性キャプチャの両方を必要とすることが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-17T19:17:15Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Detecting Hidden ML Training With Zero-Overhead Telemetry [0.5633936331890176]
  GPUワークロードのハードウェア対応監視は、AIコンピューティングガバナンスのための多くの提案を基盤としているが、開発者が監視メカニズムを破ることができれば、そのようなスキームは動作不能である。 我々は,ゼロオーバーヘッド・プライバシ保存型NVMLテレメトリのみを用いて,GPUワークロード分類の逆方向の堅牢性を評価する。 我々は、コーパス全体にわたるトレーニングワークロードを特定するための98.2%のバイナリ精度と、最も困難な予期せぬワークロードに対して43～87%の精度を達成する分類器を開発する。
  論文  参考訳（メタデータ） (2026-06-17T16:39:40Z)
• SentinelRAG: Synthetic Sentinel Knowledge for RAG Database Copyright Protection [44.7327467106684]
  SentinelRAGは、スタイル一貫性はあるが架空の知識エントリをRAGデータベースに埋め込む。 我々の重要な洞察は、虚偽の実体を記述する合成知識は、正当なクエリーによって回収される可能性は低いということである。 本手法は,正規ユーザクエリに対する無視可能な干渉を維持しつつ,誤検出率を大幅に低減する。
  論文  参考訳（メタデータ） (2026-06-04T07:19:56Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。