論文の概要: LogiC-Diff: Embedding Security Properties Into AI-Enabled Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2609.38381v1
- Date: Tue, 29 Sep 2026 18:38:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.595485
- Title: LogiC-Diff: Embedding Security Properties Into AI-Enabled Cyber-Physical Systems
- Title（参考訳）: LogiC-Diff:AIで実現可能なサイバー物理システムにセキュリティ特性を埋め込む
- Abstract要約: セキュリティプロパティを直接AI対応のCPSに組み込むための第一歩を踏み出します。
本稿では,Signal Temporal Logic仕様を予測に組み込んだ,論理条件付き二段階拡散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）: 5.158194066085573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-enabled Cyber-Physical Systems (CPS) are highly vulnerable to adversarial and anomalous inputs, where small perturbations can induce cascading errors and unsafe control actions. Existing approaches, such as rule-based filtering, training-time regularization, or diffusion-based reconstruction, either operate outside the model or lack mechanisms to incorporate formal security specifications into the prediction process. In this paper, we take the first step toward embedding security properties directly into AI-enabled CPS, enabling predictive models to enforce system-level constraints during inference rather than relying on external defenses. We introduce a logic-conditioned bi-stage diffusion framework that integrates Signal Temporal Logic (STL) specifications into forecasting. STL serves as a first-class conditioning signal that guides both an input repair stage and an output refinement stage, allowing the model to jointly mitigate adversarial perturbations and enforce desired temporal behaviors to satisfy security-critical properties. We evaluate our approach on two real-world multivariate CPS forecasting datasets under a diverse set of physical sensor and cyber attacks. Across sensor faults, gradient-based attacks, adaptive attacks, and varying attack strengths, our method consistently improves robustness and specification compliance, degrades more gracefully as attack strength increases, and generalizes better to unseen attacks. Ablation studies on specification coverage and quality further show that embedding logical security properties yields gains unattainable by reconstruction-based methods alone, highlighting a new direction for integrating formal methods with generative models in secure CPS.
- Abstract（参考訳）: AI対応のCyber-Physical Systems(CPS)は、小さな摂動によってカスケードエラーや安全でない制御アクションを誘発する、対向的および異常な入力に対して非常に脆弱である。
ルールベースのフィルタリング、トレーニング時間正規化、拡散ベースの再構築といった既存のアプローチでは、モデル外で運用するか、正式なセキュリティ仕様を予測プロセスに組み込むメカニズムが欠如している。
本稿では、AI対応CPSに直接セキュリティプロパティを組み込むための第一歩として、外部防御に頼るのではなく、推論中に予測モデルがシステムレベルの制約を強制できるようにする。
本稿では,STL(Signal Temporal Logic)仕様を予測に組み込んだ論理条件付き二段階拡散フレームワークを提案する。
STLは入力修復段階と出力改善段階の両方を誘導する第一級条件付け信号として機能し、モデルが対向的摂動を共同で緩和し、所望の時間的挙動を強制してセキュリティクリティカルな特性を満たすことができる。
我々は,物理センサとサイバー攻撃の多種多様なセットを用いて,実世界の多変量CPS予測データセットに対するアプローチを評価した。
センサ故障,勾配に基づく攻撃,適応攻撃,および様々な攻撃強度に対して,我々の手法は一貫してロバスト性や仕様コンプライアンスを改善し,攻撃強度が増大するにつれてより優雅に低下し,また,見当たらない攻撃をより一般化する。
仕様のカバレッジと品質に関するアブレーション研究により、論理的セキュリティ特性の埋め込みは、再構築法だけでは達成不可能な利益をもたらすことが示され、安全なCPSに生成モデルと形式的メソッドを統合するための新たな方向性が浮かび上がっている。
関連論文リスト
- SafeCA: Safe Cross-Attention Localization and Regulation for Text-to-Video Jailbreak Defense [77.70598852234149]
テキスト・トゥ・ビデオ(T2V)生成モデルは、現実世界のデプロイにおいてジェイルブレイク攻撃に対して脆弱である。
安全なクロスアテンション・ローカライゼーションと正規化のための機能レベル防衛機構であるSafeCAを提案する。
実験の結果、SafeCAは主流のT2Vモデルでジェイルブレイクの成功率を約20%削減することが示された。
論文 参考訳（メタデータ） (2026-08-11T14:01:24Z) - Hybrid Robustness Verification for Spatio-Temporal Neural Networks [19.026662893450425]
既存の検証方法は、過度に保守的な近似や不正な計算コストに依存している。
実際には、対向摂動は、低次元、意味論的に意味のある部分空間に制約された、構造化された空間的および時間的相関を示す。
動作認識(UCF-101)、自律運転(Udacity)、医用画像(MedMNIST)の用途を対象として、3次元CNNによる映像入力のロバスト性検証を行う。
論文 参考訳（メタデータ） (2026-06-08T17:06:51Z) - Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。
本稿では,複雑な構成機構の認証のためのフレームワークを提案する。
複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-05-20T22:17:29Z) - Resilience of IEC 61850 Sampled Values-Based Protection Systems Under Coordinated False Data Injections [0.0]
本稿では,サンプル値(SV)プロトコルをターゲットとしたFalse Data Injection Attacks (FDIA) の下でIEC 61850ディジタルサブステーションのレジリエンスを評価する。
SVのマルチキャストの性質は、保護機能を妨害し大規模な停止を引き起こすサイバー侵入にサブステーションを露出させる。
抑止、予防、検知、緩和、レジリエンスをカバーする防衛戦略を解析する。
論文 参考訳（メタデータ） (2026-05-08T10:08:51Z) - CAHS-Attack: CLIP-Aware Heuristic Search Attack Method for Stable Diffusion [6.4760110921280045]
拡散モデルは、敵のプロンプトに直面すると顕著な脆弱さを示す。
本稿では,CLIP-Aware Heuristic Search攻撃法CAHS-Attackを提案する。
論文 参考訳（メタデータ） (2025-11-26T08:52:44Z) - Embedding Poisoning: Bypassing Safety Alignment via Embedding Semantic Shift [23.0914017433021]
この研究は、モデルウェイトや入力テキストを変更することなく、埋め込み層出力に直接知覚不能な摂動を注入することで脆弱性を利用する、新しいデプロイメントフェーズ攻撃のクラスを特定する。
本稿では,リスクトークンに関連付けられた埋め込みに注意深く最適化された摂動を導入する,実用的なモデルに依存しないフレームワークである検索ベースの埋め込みポジショニングを提案する。
論文 参考訳（メタデータ） (2025-09-08T05:00:58Z) - Deep Anomaly Detection for Active Attacks on the Receiver in Quantum Key Distribution [1.196987515934005]
受信者を対象としたアクティブアタックに対処するために,一級機械学習に基づく異常検出モデルを提案する。
従来のアプローチと比較して,既存のQKDネットワークでは,光学部品や電気部品を必要とせずに,最小限のコストでモデルをデプロイすることができる。
マルチクラス機械学習アルゴリズムとは異なり、我々の手法は特定の攻撃タイプに関する事前の知識に頼らず、未知のアクティブアタックを検出できる可能性がある。
論文 参考訳（メタデータ） (2025-08-18T09:20:02Z) - Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
この研究は、不確実性の下での攻撃段階推論の問題に対処する。
Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。
シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
論文 参考訳（メタデータ） (2025-08-01T06:58:00Z) - Transferable Adversarial Attacks on SAM and Its Downstream Models [87.23908485521439]
本稿では,セグメント・アプライス・モデル(SAM)から微調整した様々な下流モデルに対する敵攻撃の可能性について検討する。
未知のデータセットを微調整したモデルに対する敵攻撃の有効性を高めるために,ユニバーサルメタ初期化(UMI)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-26T15:04:04Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z)
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。