論文の概要: PVBRF-ID: Private, Verifiable and Byzantine-Robust Federated Intrusion Detection for Oilfield Enterprise Networks

• arxiv url: http://arxiv.org/abs/2610.12704v1
• Date: Thu, 08 Oct 2026 20:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.279434
• Title: PVBRF-ID: Private, Verifiable and Byzantine-Robust Federated Intrusion Detection for Oilfield Enterprise Networks
• Title（参考訳）: PVBRF-ID:油田企業ネットワークのプライベート・検証・ビザンチン・ロバスト・フェデレーション侵入検出
• Abstract要約: PVBRF-IDは、サイトが更新を秘密に共有し、サーバが各更新の基準を共同でテストする2サーバプロトコルである。 コミット、メルクル根、同型監査は、承認された更新を公に検証する。
• 参考スコア（独自算出の注目度）: 0.41942958779358674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning allows dispersed oilfield sites to train a shared intrusion detector without pooling network traffic, yet its aggregation step forces a choice between privacy and robustness. Byzantine-robust rules must read each update in the clear, whereas secure aggregation hides updates from the checks that detect poisoning. We present PVBRF-ID, a two-server protocol in which sites secret-share their updates and the servers jointly test each update's norm and its cosine similarity to a reference computed on a small clean root set, revealing one accept bit per site. Commitments, Merkle roots and a homomorphic audit make the inclusion of accepted updates publicly verifiable. On a 15-class Edge-IIoTset task with ten sites holding differently distributed data and ten random seeds, PVBRF-ID matched FedAvg on clean data (macro-F1 0.708 vs. 0.706) and withstood sign-flip attacks (0.696 vs. 0.091). Against an adaptive attacker controlling 30% of sites, PVBRF-ID with secure clipping reached 0.641, whereas FedAvg fell to 0.046; plaintext multi-Krum remained higher by 0.052. An update-inference attacker recovered each site's class mix from plaintext updates (Spearman correlation 0.81) but not from one server's view. Backdoors passed the filter, and noise-based mitigation gave only heuristic protection. The implementation uses Python 3.13, NumPy 2.3, 30 rounds and 10 seeds.
• Abstract（参考訳）: フェデレートラーニング(Federated learning)により、分散油田サイトは、ネットワークトラフィックをプールすることなく、共有侵入検知器を訓練できるが、その集約ステップは、プライバシと堅牢性の選択を強制する。 Byzantine-Robustルールは、各更新をクリアに読まなければならないが、セキュアなアグリゲーションは、毒を検知するチェックから更新を隠す。 PVBRF-IDは、サイトが更新を秘密に共有し、サーバがそれぞれの更新の規範と、小さなクリーンなルートセット上で計算された参照とのコサイン類似性を共同でテストし、サイト毎のアクセプションビットを1つ明らかにする2サーバプロトコルである。 コミット、メルクル根、同型監査は、承認された更新を公に検証する。 異なる分散データと10のランダムシードを持つ10のサイトを持つ15クラスのEdge-IIoTsetタスクにおいて、PVBRF-IDは、クリーンデータ(macro-F1 0.708 vs. 0.706)と、無意味なサインフリップ攻撃(0.696 vs. 0.091)でFedAvgにマッチした。 30%のサイトを制御するアダプティブ攻撃に対して、PVBRF-IDは0.641に達し、FedAvgは0.046に落ち、平文のマルチクルムは0.052に上昇した。 更新推論攻撃者は、平文の更新(Spearman correlation 0.81)から各サイトのクラスミックスを回復したが、1つのサーバのビューからは回復しなかった。 バックドアはフィルターを通過し、ノイズに基づく緩和はヒューリスティックな保護しか与えなかった。 実装にはPython 3.13、NumPy 2.3、30ラウンド、10シードを使用する。

関連論文リスト

• WaSA: Wavelet Scattering Autoencoders for Unsupervised Offline Detection of Malicious Clients in Federated Learning [51.56484100374058]
  Federated Learning(FL)は、生データを公開することなく、協調的なモデルトレーニングを可能にする。 我々は、悪意のあるクライアント検出のための完全に教師なしのオフラインフレームワーク、WaSAを提案する。 クリーンな補助データのみに基づいて訓練されたデノナイジングオートエンコーダは、学習された良性多様体からの偏差に基づいてクライアントをスコアする。
  論文  参考訳（メタデータ） (2026-10-09T08:10:10Z)
• DeBERTa-ConPara: Attack-Aware and Deployment-Realistic Detection of AI-Generated Text [42.255101883505056]
  DeBERTa-ConParaは,HC3 Plus,M4,MAGE,RAIDで学習した文脈変換器エンコーダと,攻撃対応Unicode前処理を組み合わせたデプロイメント指向検出器である。 我々の中心的な発見は、前処理が適用された場所によって反対方向に作用することである。 2つの配置の因子的変化は、正規化推論による生のトレーニングを最高の設定として独立に識別する。 12種類の攻撃クラスのうち、ホモグリーフとゼロ幅空間の挿入は11.05%から1.12%から96.98%に増加した。
  論文  参考訳（メタデータ） (2026-10-01T00:57:33Z)
• Byzantine-Robust Federated Fire Detection with a Rotating Coordinator [40.87574349486165]
  室内火災検知へのフェデレートラーニング(FL)の適用について検討した。 モデル更新を10回まで圧縮し、バランスの取れた精度をわずかに損なわないエッジ展開可能な検出器を提供する。 履歴認識集約と回転コーディネータを組み合わせた半分散Byzantine-robust FL法では、固定サーバ単一障害点を除去しながら、ラウンドごとのフィルタが見逃すステルス攻撃を回避している。
  論文  参考訳（メタデータ） (2026-09-09T13:18:37Z)
• Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning [67.04448659688579]
  FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。 フェデレーションはオプションではなく、オフ・ザ・シェルフ・トランスファーは流通シフトによって崩壊する。 Live FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
  論文  参考訳（メタデータ） (2026-09-02T07:57:12Z)
• Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection [0.0]
  Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
  論文  参考訳（メタデータ） (2026-08-16T14:30:45Z)
• Valid Per-Field Selective Risk Control for Document Extraction: Three Failure Modes, a Validity Ladder, and When Conditioning Pays [0.0]
  フィールド単位の受け入れ/レビューは、ほとんどのアルファ版において選択的なリスクを持つが、信頼契約文書抽出システムを必要とする。 13,859 個の CORD レシート (49.0% ) からの真の Claude-sonnet-5 フィールドでは、3 つの障害モードを診断する。 シードピンでレグレッション付きプロシージャを備えたApache-2.0がリリースされた。
  論文  参考訳（メタデータ） (2026-07-28T17:08:50Z)
• FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning [58.80511162314259]
  我々はフェデレート学習のための新しいクライアントレベルの属性プロトコルであるFedAttrを提案する。 FedAttrは、ペア化されたサブセット差分メカニズムを通じて、ウォーターマークされたデータでトレーニングされたクライアントを特定する。 100%のTPRと0%のFPRを達成し、TPRでは少なくとも44.4%、FPRでは19.1%を上回り、FLトレーニング時間に比べて6.3%のオーバーヘッドしか残っていない。
  論文  参考訳（メタデータ） (2026-05-07T17:21:02Z)
• Beyond Single-Agent Alignment: Preventing Context-Fragmented Violations in Multi-Agent Systems [10.660248467840821]
  新たなセキュリティリスクの特定と形式化:CFV(Context-Fragmented Violations) CFVは、個々のエージェントの行動が局所的に安全かつ合理的に見えるが、全体として組織的方針に反する政策違反の類である。 分散ゼロトラスト適用アーキテクチャである分散センチネルを提案する。
  論文  参考訳（メタデータ） (2026-04-24T03:08:52Z)
• Security Is Relative: Training-Free Vulnerability Detection via Multi-Agent Behavioral Contract Synthesis [14.657771106188115]
  脆弱性検出のためのトレーニング不要なマルチエージェントフレームワークであるPhoenixを提案する。 Phoenixは、検出をセマンティックスライダ、要求リバースエンジニア、契約審査員の3つのステージに分解する。 PrimeVul Pairedでは、Phoenix は F1 = 0.825 と Pair-Correct = 64.4% を獲得し、RASM-Vul (F1 = 0.668) と VulTrial (F1 = 0.563) を上回る。
  論文  参考訳（メタデータ） (2026-04-21T03:02:34Z)
• DSFL: A Dual-Server Byzantine-Resilient Federated Learning Framework via Group-Based Secure Aggregation [5.678765930141613]
  Federated Learning (FL)は、生データを共有せずに分散モデルトレーニングを可能にし、強力なプライバシ保証を提供する。 既存のFLプロトコルは、ビザンツの参加者に対する防御に苦労し、非独立で同一に分散された(IIDではない)データの下でモデルユーティリティを維持し、エッジデバイスでは軽量のままである。 本稿では,グループベースのセキュアアグリゲーションアプローチを用いて,これらの制約に対処するDual-Server Byzantine-Resilient Federated LearningフレームワークDSFLを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:47:51Z)
• Towards Bidirectional Protection in Federated Learning [70.36925233356335]
  F2ED-LEARNINGは、悪意のある集中型サーバとビザンティンの悪意のあるクライアントに対して双方向の防御を提供する。 F2ED-LEARNINGは各シャードの更新を安全に集約し、異なるシャードからの更新に対してFilterL2を起動する。 評価の結果,F2ED-LEARNing は最適あるいは最適に近い性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-10-02T19:37:02Z)

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。