論文の概要: Defense-in-Depth at the Perception-Reasoning Interface of LLM-Centric Agentic UAV Swarms

• arxiv url: http://arxiv.org/abs/2610.03319v1
• Date: Fri, 02 Oct 2026 13:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.40621
• Title: Defense-in-Depth at the Perception-Reasoning Interface of LLM-Centric Agentic UAV Swarms
• Title（参考訳）: LLM-Centric Agentic UAV Swarmsの認識・推論インタフェースにおけるディフェンスインディース
• Abstract要約: 大型言語モデル (LLMs) はアンクルード・エアリアル・ビークル (Uncrewed Aerial Vehicle (UAV) Swarm) の運用をますますサポートしている。 構造化されたセンサーレポートを静かに操作する敵は、モデル重量やUAVを変更することなく、Swarmをリダイレクトすることができる。 我々は,LLM-Centric Agentic UAV Swarmsの認識・推論インタフェースにおいて,ディフェンス・イン・ディープスを実装し,評価する。
• 参考スコア（独自算出の注目度）: 5.348252771399991
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large Language Models (LLMs) increasingly support Uncrewed Aerial Vehicle (UAV) swarm operations such as data collection scheduling, where the model reads structured sensor reports and decides which sensors to visit. An adversary who quietly manipulates those reports can redirect the swarm without modifying the model weights or the UAV. Defenses for this interface have been proposed architecturally but rarely implemented or evaluated. We implement and evaluate defense-in-depth at the perception-reasoning interface of LLM-Centric Agentic UAV Swarms. Five layers check the provenance of a report, whether its values are physically admissible, whether they agree with what swarm geometry and service history predict, whether the resulting schedule starves any sensor, and, when these fail, hand control to a deterministic scheduler that ignores the suspect input. We test each layer against an adversary strong enough to defeat the layer before it. For each of the three input-side layers, we derive in closed form how far a report can be distorted before that layer reacts, fixing each boundary from deployment parameters before any attack data is collected; across thirty matched simulation runs, predicted and measured boundaries agree. Separating attack detection from response is a well-established principle, and we quantify the cost of neglecting this distinction at the perception-reasoning interface. When the system rejects a report, it replaces it with the most recent accepted report. This prevents the adversary from controlling the UAV schedule, but it also increases cumulative cost by 79% and 74% for the two detectors, respectively, compared with the undefended system. The safety check does not detect any attacks, but it nevertheless reduces the attack-induced cost by 37.5%.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、データ収集スケジューリングのような無人航空機(UAV)の群れ操作をサポートし、モデルが構造化されたセンサーレポートを読み、どのセンサーを訪問するかを決定する。 これらの報告を静かに操作する敵は、モデルの重量やUAVを変更することなく、Swarmをリダイレクトすることができる。 このインターフェースのディフェンスはアーキテクチャ上提案されているが、実装や評価はめったに行われていない。 我々は,LLM-Centric Agentic UAV Swarmsの認識・推論インタフェースにおいて,ディフェンス・イン・ディープスを実装し,評価する。 5つのレイヤは、その値が物理的に許容できるかどうか、Swarmの幾何学とサービス履歴が予測するものに一致しているか、結果のスケジュールがセンサーを飢えさせるかどうか、そしてこれらが失敗すると、被疑者の入力を無視する決定論的スケジューラに手動で制御する。 我々は各層を、その前の層を倒すのに十分な強い敵に対してテストする。 3つの入力側レイヤそれぞれに対して、そのレイヤが反応する前にレポートがどの程度歪むかというクローズドな形式で導出し、攻撃データが収集される前に、各境界を配置パラメータから固定する。 応答から攻撃検出を分離することは、よく確立された原理であり、認識応答インタフェースにおいて、この区別を無視するコストを定量化する。 システムがレポートを拒否すると、最も最近受理されたレポートに置き換えられる。 これにより、敵はUAVのスケジュールを制御できないが、2つの検出器に対してそれぞれ79%と74%の累積コストを増大させる。 安全チェックはいかなる攻撃も検出しないが、それでも攻撃によるコストを37.5%削減する。

関連論文リスト

• Out of Sync, Out of Sight: Phantom State Attacks against IIoT Intrusion Detection [1.669532546126409]
  機械学習に基づく侵入検知システムは、産業用IoT(Internet of Things)環境の確保に不可欠である。 我々は、パッシブ・ゼロ・クエリ・脅威モデルの下で依存を利用するPhantom State Attack (PSA)を導入する。 ToN-IoTとCIC IIoT 2025(DataSense)のPSAをランダムフォレストとXGBoostに対して評価し,検出劣化,同期歪み,盗み,攻撃コストを測定した。
  論文  参考訳（メタデータ） (2026-10-01T22:36:34Z)
• FlowGuard: Flow Matching for Identity-Independent Detection of Data-Free Model Stealing Attacks on Energy System Intrusion Detection Systems [0.0]
  FlowGuardは、入ってくるクエリをアウト・オブ・ディストリビューション(OOD)として分類するフローマッチングに基づく、IDに依存しない防御である。 このアプローチは、データフリーモデル盗難攻撃のために合成的に生成されたクエリが、実際のネットワークトラフィックよりも低次元の多様体を占有しているという事実を生かしている。 我々は,MAZE と DisGUIDE 攻撃を用いたPRADA と FDINet に対して,単サイクルで分散した (100-client Sybil) 設定で評価した。
  論文  参考訳（メタデータ） (2026-06-02T10:18:45Z)
• From Passive Monitoring to Active Defence: Resilient Control of Manipulators Under Cyberattacks [42.72791770760975]
  FDIA(False Data Injection attack)は、アラームを発生させることなく、実質的なエンドエフェクタ偏差を発生させる。 本稿では、冗長マニピュレータのステルス型FDIAに対するレジリエンスについて検討し、パッシブモニタリングからアクティブディフェンスへアーキテクチャを進化させる。
  論文  参考訳（メタデータ） (2026-03-13T14:08:41Z)
• 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)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)

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。