論文の概要: Zero Trust-Enabled Adaptive Incident Response using Hierarchical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.38146v1
• Date: Wed, 28 Oct 2026 01:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:47:56.782923
• Title: Zero Trust-Enabled Adaptive Incident Response using Hierarchical Reinforcement Learning
• Title（参考訳）: 階層的強化学習を用いたゼロ信頼型適応インシデント応答
• Abstract要約: ZT-AIRは、ゼロ信頼アーキテクチャを設計理論とし、階層的強化学習をカーネル理論とする適応型インシデント応答アーティファクトである。 その結果、ZT-AIRは、頻繁かつ最小限に破壊的な介入を通じて、セキュリティと継続性の間に強いバランスを保っていることがわかった。
• 参考スコア（独自算出の注目度）: 9.51392519081185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern enterprises increasingly operate through complex information systems (IS) enabled by cloud computing, remote and hybrid work practices, and digitally integrated supply chains. These structural shifts have expanded organizational attack surfaces and weakened traditional perimeter-based trust assumptions, giving rise to new and persistent forms of cyber threats. In response, adversaries have shifted toward identity-centric, trust-based intrusion techniques that exploit legitimate access within organizational systems. This evolution has created a pronounced speed asymmetry, whereby attackers can adapt and act at machine speed while defenders remain constrained by reactive or rule-based incident response (IR) processes. Drawing on design science research, we propose ZT-AIR, an adaptive IR artifact that uses zero trust architecture as its design theory and hierarchical reinforcement learning as its kernel theory. ZT-AIR learns context-aware trust decisions, separates strategic prioritization from tactical execution, encodes zero-trust controls as actions, and jointly optimizes security effectiveness and operational continuity. Experimental results across diverse adversarial strategies, network scales, and defense environments show that ZT-AIR achieves a strong balance between security and continuity through frequent, minimally disruptive interventions. Practitioner validation further confirms the design's practical viability. This study contributes to IS research by extending computational design science from threat identification to response execution, theorizing zero trust architecture for adaptive IR, and deriving reusable design principles for adaptive decision support artifacts.
• Abstract（参考訳）: 現代の企業は、クラウドコンピューティング、リモートおよびハイブリッドワークプラクティス、およびデジタル統合サプライチェーンによって実現される複雑な情報システム(IS)を通じて、ますます運用されている。 これらの構造的な変化は、組織的な攻撃面を拡張し、従来の周知に基づく信頼の前提を弱め、新しい永続的なサイバー脅威を生み出した。 これに対し、敵はアイデンティティ中心の、信頼に基づく侵入技術に移行し、組織システム内の正当なアクセスを活用している。 この進化は明らかな速度非対称性を生み出し、攻撃者はマシンの速度で適応し、動作することができる一方で、防御者は反応性やルールベースのインシデント応答(IR)プロセスに制約される。 本研究では,ゼロ信頼アーキテクチャを設計理論とし,階層的強化学習をカーネル理論とする適応型IRアーティファクトZT-AIRを提案する。 ZT-AIRはコンテキスト対応の信頼決定を学習し、戦略的優先順位付けと戦術的実行を分離し、ゼロトラスト制御をアクションとしてエンコードし、セキュリティの有効性と運用継続性を共同で最適化する。 多様な敵戦略,ネットワークスケール,防衛環境に対する実験結果から,ZT-AIRは頻繁かつ最小限に破壊的な介入を通じて,セキュリティと継続性の強いバランスを達成できることが示された。 実践者の検証は、設計の実用性をさらに確認する。 本研究は、脅威識別から応答実行までの計算設計科学を拡張し、適応IRのためのゼロ信頼アーキテクチャを理論化し、適応型意思決定支援アーティファクトのための再利用可能な設計原則を導出したIS研究に寄与する。

関連論文リスト

• Graph-Based Safe Reinforcement Learning for Multi-Agent Systems with Time-Varying Topology [0.0]
  本稿では、時間変化トポロジを用いた協調ナビゲーションのためのグラフベースの安全なマルチエージェント強化学習(MARL)フレームワークを提案する。 センサ制約のある環境における安全確保という重要な課題に対処するため,安全分離機構を導入している。 この安全基盤に基づいて、注意に基づくアクターとグラフ注意ネットワーク(GAT)を統合した統合構造アーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2026-09-08T14:30:06Z)
• Agentic AI Cybersecurity Framework [0.0]
  Agentic AI Cybersecurity Framework (AACF)は、自律的で目標駆動で適応的なサイバー防御操作を可能にするように設計されている。 事前定義されたルールや人間の介入に依存する従来のシステムとは異なり、提案フレームワークは最小限の監視でコンテキスト認識応答を実行する。 AACFは、アクティブな脅威検出、動的リスク評価、分散環境間の協調緩和戦略をサポートする。
  論文  参考訳（メタデータ） (2026-08-20T04:35:19Z)
• LLM-Centric Agentic AI for UAV Swarms: Architecture, Enabling Technologies, and Open Problems [4.4579151410787246]
  Uncrewed Aerial Vehicle (UAV) Swarmsは、サーチ・アンド・レスキュー (SAR) や環境モニタリングなどの応用に有意な可能性を秘めている。 Agentic Artificial Intelligence(AI)は、スタンドアロンのLarge Language Model(LLM)からクローズドループ認知アーキテクチャへのシフトを表す。 本稿では,UAV Swarms (LAUS) のための LLM-Centric Agentic AI を提案する。
  論文  参考訳（メタデータ） (2026-07-05T13:08:06Z)
• 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)
• SafeReview: Defending LLM-based Review Systems Against Adversarial Hidden Prompts [48.74298724520065]
  大規模言語モデル(LLM)は、ますます学術的ピアレビューに統合されている。 敵に対する彼らの脆弱性は、学術的完全性に対する重大な脅威として現れます。 本稿では、高度な攻撃プロンプトを作成するために訓練されたジェネレータモデルを、検出を行うデフェンダーモデルと共同で最適化する、新しい対向フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T10:11:12Z)
• Resilient Federated Chain: Transforming Blockchain Consensus into an Active Defense Layer for Federated Learning [3.189189590825304]
  本稿では,ブロックチェーンを活用した新しいフェデレート学習フレームワークであるResilient Federated Chain(RFC)を紹介する。 RFCは、Pooled Miningメカニズムの冗長性を再利用することによって、既存のProof of Federated Learningアーキテクチャの上に構築されている。 RFCは、ベースラインメソッドと比較して堅牢性を大幅に改善し、分散学習環境を確保するための実行可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-25T12:20:47Z)
• Autonomous Cyber Resilience via a Co-Evolutionary Arms Race within a Fortified Digital Twin Sandbox [0.0]
  本稿では「信頼の傾向」に対処するARC(Adversarial Resilience Co-evolution)フレームワークを紹介する。 ARCは、Fortified Secure Digital Twin内での共同進化型武器レースを開催する。 包括的なアブレーション調査は、共進化プロセス自体が27%のパフォーマンス改善に寄与していることを示している。
  論文  参考訳（メタデータ） (2025-06-25T03:28:48Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• 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)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。