論文の概要: Toward Realistic Privacy Risk in FL-Enabled OT Intrusion Detection Systems

• arxiv url: http://arxiv.org/abs/2610.16872v1
• Date: Mon, 12 Oct 2026 14:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 04:23:10.7097
• Title: Toward Realistic Privacy Risk in FL-Enabled OT Intrusion Detection Systems
• Title（参考訳）: FL-Enabled OT 侵入検知システムにおける現実的プライバシーリスクに向けて
• Abstract要約: 運用技術(OT)環境では、施設間での生データを共有することなく、侵入検知システム(IDS)を訓練するために、フェデレートラーニング(FL)が採用されてきている。 しかし、モデル更新はなおも産業プロセスに関する機密情報を漏洩させ、現在のOTセキュリティアーキテクチャでは見えないようなプライバシーリスクを生じさせる可能性がある。 Purdue階層を含む既存の参照モデルは、FL学習ライフサイクルを明示的に表現していないため、プライバシーの監視と評価が困難である。 本稿では,従来のOTアーキテクチャで明示的に表現されていない学習関連情報フローの可視化を可能にする,新しいアーキテクチャ抽象化であるML Planeを紹介する。
• 参考スコア（独自算出の注目度）: 0.48127184936824546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Operational Technology (OT) environments, Federated Learning (FL) is increasingly adopted to train Intrusion Detection Systems (IDSs) without sharing raw operational data across facilities. However, model updates may still leak sensitive information about industrial processes, creating privacy risks that remain largely invisible within current OT security architectures. Existing reference models, including the Purdue hierarchy, do not explicitly represent the FL learning lifecycle, making privacy leakage difficult to observe and evaluate. To address this gap, we introduce the ML Plane, a novel architectural abstraction that integrates FL workflows within OT systems, enabling visibility of learning-related information flows that are not explicitly represented in traditional OT architectures. Building on the proposed ML Plane, we outline a privacy auditing framework for FL-enabled OT systems. The framework uses Federated Membership Inference Attacks (FedMIA) as an initial assessment mechanism and is being instantiated within a Smart Grid testbed to support the future evaluation of privacy risks under realistic OT deployment constraints.
• Abstract（参考訳）: 運用技術(OT)環境では、施設間での生データを共有することなく、侵入検知システム(IDS)を訓練するために、フェデレートラーニング(FL)が採用されてきている。 しかし、モデル更新はなおも産業プロセスに関する機密情報を漏洩させ、現在のOTセキュリティアーキテクチャでは見えないようなプライバシーリスクを生じさせる可能性がある。 既存のPurdue階層を含む参照モデルは、FL学習ライフサイクルを明示的に表現していないため、プライバシー漏洩の監視と評価が困難である。 このギャップに対処するために,従来のOTアーキテクチャで明示的に表現されていない学習関連情報フローの可視化を可能にする,新しいアーキテクチャ抽象化であるML Planeを導入する。 提案するML Planeに基づいて,FL対応OTシステムのプライバシ監査フレームワークの概要を述べる。 このフレームワークは、フェデレートされたメンバーシップ推論攻撃(FedMIA)を初期評価メカニズムとして使用し、Smart Gridテストベッド内でインスタンス化され、現実的なOTデプロイメント制約下でのプライバシーリスクの将来の評価をサポートする。

関連論文リスト

• Automated Abstraction Refinement for Information Flow Security in Embedded Systems [0.0]
  情報フロー分析(IFA)は、機密性と整合性を検証するための強力な手法である。 組み込みシステムの既存のIFAは不正確か高価なかのどちらかである。 本稿では, 自動抽象化によりこの問題に対処する手法を提案する。
  論文  参考訳（メタデータ） (2026-09-24T12:37:21Z)
• Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
  データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。 本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
  論文  参考訳（メタデータ） (2026-06-15T16:54:02Z)
• A Data-Free Membership Inference Attack on Federated Learning in Hardware Assurance [2.3297085276791596]
  Federated Learning(FL)は、ハードウェア保証におけるディープラーニングモデルをトレーニングするためのデータ不足問題に対する、新たなソリューションである。 FLは生データを共有しないことでプライバシーを高めるように設計されているが、機密性のある知的財産(IP)を漏洩するメンバーシップ推論攻撃(MIAs)に弱いままである。 本稿では,ハードウェア保証のためのFLにおける画像セグメンテーションモデルを対象とした,新しいデータフリーMIAを提案する。
  論文  参考訳（メタデータ） (2026-04-21T18:13:12Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• When Better Features Mean Greater Risks: The Performance-Privacy Trade-Off in Contrastive Learning [9.660010886245155]
  本稿では,エンコーダモデルを対象としたMIA攻撃によるプライバシの脅威を系統的に検討する。 本稿では,Lp-Norm Likelihood Attack (LpLA) と呼ばれる特徴ベクトルのpノルムに基づく新しいメンバシップ推論攻撃法を提案する。
  論文  参考訳（メタデータ） (2025-06-06T05:03:29Z)
• Recent Advances in Federated Learning Driven Large Language Models: A Survey on Architecture, Performance, and Security [24.969739515876515]
  Federated Learning(FL)は、データプライバシを保持し、通信オーバーヘッドを最小限に抑えながら、大規模言語モデル(LLM)を分散的にトレーニングするための有望なパラダイムを提供する。 我々は、摂動に基づく手法、モデル分解、漸進的再学習を含む、連合LLMにおける未学習を可能にする様々な戦略についてレビューする。 本調査では, 現実の展開に向けて, 安全で適応性があり, 高性能なLLMシステムの開発に向けた重要な研究方向を明らかにする。
  論文  参考訳（メタデータ） (2024-06-14T08:40:58Z)
• Secure Instruction and Data-Level Information Flow Tracking Model for RISC-V [0.0]
  不正アクセス、障害注入、およびプライバシー侵害は、信頼できないアクターによる潜在的な脅威である。 本稿では,実行時セキュリティがシステム完全性を保護するために,IFT(Information Flow Tracking)技術を提案する。 本研究では,ハードウェアベース IFT 技術とゲートレベル IFT (GLIFT) 技術を統合したマルチレベル IFT モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-17T02:04:07Z)
• In-Distribution Barrier Functions: Self-Supervised Policy Filters that Avoid Out-of-Distribution States [84.24300005271185]
  本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。 本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
  論文  参考訳（メタデータ） (2023-01-27T22:28:19Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)
• Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
  本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。 我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。 ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
  論文  参考訳（メタデータ） (2021-06-03T16:45:40Z)

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。