論文の概要: AquaSense-ICS: A Hybrid Real-Simulated Cyber-Physical Dataset and Leakage-Aware Benchmark for Smart Water Quality Monitoring and Attack Detection

• arxiv url: http://arxiv.org/abs/2610.32661v1
• Date: Fri, 23 Oct 2026 14:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.539747
• Title: AquaSense-ICS: A Hybrid Real-Simulated Cyber-Physical Dataset and Leakage-Aware Benchmark for Smart Water Quality Monitoring and Attack Detection
• Title（参考訳）: AquaSense-ICS:スマート水質モニタリングと攻撃検出のためのハイブリッド実シミュレーションサイバー物理データと漏洩情報ベンチマーク
• Abstract要約: 水のサイバー物理システムに関する機械学習の研究は、現実的だが化学的に貧弱なデータセットや、シミュレートされているが、ノイズや攻撃を感知することができないデータセットによって制限されている。 AquaSense-ICSはオープンデータセットとベンチマークで、Raspberry Pi 5エッジノードから25.4hの記録ウィンドウを共登録します。 このようなハイブリッドデータ、ランダムな行分割、および入力特徴から計算されたラベルをベンチマークする最も一般的な方法は、ほぼ完全だが非形式的なスコアが得られることを示す。
• 参考スコア（独自算出の注目度）: 1.995792341399967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning research on water cyber-physical systems (CPS) is constrained by datasets that are either real but chemically poor, or simulated but free of sensing noise and attacks. We present AquaSense-ICS, an open dataset and benchmark that co-registers (i) a 25.4 h recording window (8.0 h of recorded data, 26% coverage) from a Raspberry Pi 5 edge node (TDS probe and BME680 ambient sensor, 1-2 s sampling, 23,688 records), with (ii) a looped network of 13 nodes (10 junctions, 2 reservoirs, 1 tank) simulated in EPANET-MSX for six water-quality species, (iii) a parameterised library of cyber-attacks (false data injection, replay, denial of service, drift) and unintentional sensor faults with sample-level ground truth, and (iv) augmented and TimeGAN-generated sequences, flagged by an origin column. The attack, fault and water-quality labels are traceable to a seeded generator, a documented rule or a simulation input. We show that the most common way of benchmarking such hybrid data, random row splits and labels computed from the input features, yields near-perfect but uninformative scores (macro-F1 = 0.9998 for Random Forest), and we replace it with a leakage-aware protocol using chronological splits and held-out attack types rather than label reconstruction. Under this protocol, no model exceeds the constant "normal" predictor for attack classification (macro-F1 = 0.465), and the best detectors reach a mean AUROC of 0.64 on attack types unseen during training (0.35-0.93 depending on the type), leaving substantial headroom. Data and simulation files are released under CC BY 4.0 at https://doi.org/10.5281/zenodo.23390541, and attack generators and benchmark code under MIT.
• Abstract（参考訳）: ウォーターサイバー物理システム(CPS)に関する機械学習の研究は、現実的だが化学的に貧弱なデータセット、あるいはシミュレートされているが、ノイズや攻撃を感知することができないデータセットによって制限されている。 私たちはオープンデータセットとベンチマークであるAquaSense-ICSを紹介します。 (i)Raspberry Pi 5エッジノード(TDSプローブ、BME680周囲センサー、1-2 sサンプリング、23,688レコード)からの25.4 h(記録データの8.0 h、カバレッジ26%)の記録窓 (二)EPANET-MSXでシミュレートした13個のノード(ジャンクション10個、貯水池2個、タンク1個)のループネットワーク。 三 サイバー攻撃(虚偽データ注入、再生、サービス拒否、漂流)及びサンプルレベルの地底真実を有する意図しないセンサ断層のパラメータ化ライブラリ (iv)拡張およびTimeGAN生成配列、起点カラムでフラグ付け。 攻撃、故障、水質ラベルは、シードジェネレータ、文書化されたルール、またはシミュレーション入力にトレース可能である。 このようなハイブリッドデータをベンチマークする最も一般的な方法は、入力特徴から計算されたランダムな行分割とラベルをベンチマークし、ほぼ完全だが非形式的なスコア(macro-F1 = 0.9998 for Random Forest)を出力し、ラベル再構成ではなく、時系列分割とホールトアウト攻撃タイプを用いたリークアウェアプロトコルに置き換えることである。 このプロトコルの下では、攻撃分類のための一定の「正規」予測器(macro-F1 = 0.465)を超えるモデルはなく、最高の検出器は訓練中に見えない攻撃タイプ(型によって0.35-0.93)で平均0.64のAUROCに達する。 データとシミュレーションファイルは CC BY 4.0 at https://doi.org/10.5281/zenodo.23390541 でリリースされ、MIT の攻撃ジェネレータとベンチマークコードがある。

関連論文リスト

• O-RAN-Native Jamming Detection Under Network Heterogeneity [42.727584386619895]
  電波ジャミングは、競合環境におけるセルラーネットワークの動作を脅かす。 我々は,適応MADベースライン検出,カウントベース異常検出,急激な変化検出を組み合わせた統計的アンサンブル法(SEM)を提案する。 SEMは2つのモードで動作し、即時展開のためにラベル付きデータを必要としないコールドスタートモードと、パラメータをオフラインで洗練する教師付きモードである。
  論文  参考訳（メタデータ） (2026-10-14T19:00:48Z)
• Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
  証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。 我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
  論文  参考訳（メタデータ） (2026-09-27T13:01:02Z)
• Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
  我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。 畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。 その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-21T14:49:04Z)
• Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
  論文  参考訳（メタデータ） (2026-09-07T15:03:36Z)
• 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)
• GenAI-FDIA: Physics-Informed Generative Models for False Data Injection Attacks [0.5729426778193398]
  電力系統に対する偽データ注入攻撃(FDIA)の訓練と評価は、データ不足によって制限される。 物理対応FDIA合成のためのP=20$アーキテクチャのプールをベンチマークするフレームワークであるtextscGenAI-FDIAを提案する。
  論文  参考訳（メタデータ） (2026-05-15T19:51:08Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Cyberattack Detection in Virtualized Microgrids Using LightGBM and Knowledge-Distilled Classifiers [0.0]
  完全な仮想マイクログリッドはMG/Simulinkで設計、実装された。 MGLibを用いて、二次制御経路に敵の信号を注入する構造化サイバーアタックフレームワークを開発した。 その結果、軽量な機械学習による侵入検知手法は、高速で正確で効率的なサイバー攻撃検出を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-01-07T01:23:13Z)
• Sample Efficient Detection and Classification of Adversarial Attacks via Self-Supervised Embeddings [40.332149464256496]
  ディープモデルのアドリヤロバスト性は、現実世界の環境において安全な配置を確保する上で重要な要素である。 本稿では、敵攻撃を検知し、それらの脅威モデルに分類する自己教師型手法を提案する。 我々は,SimCLRエンコーダを実験で使用しています。
  論文  参考訳（メタデータ） (2021-08-30T16:39:52Z)

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。