Core Concepts
FDEはサイバーセキュリティ攻撃から守るために重要な役割を果たす。
Abstract
サイバーセキュリティ攻撃が自律システムの運用に脅威をもたらす。
HVACシステムに影響が及ぶことが特に顕著。
Concept Drift(CD)はモデル予測精度の低下をもたらす。
FDEはドリフトした特徴を識別し、サイバーセキュリティ攻撃から保護する効果的な戦略である。
ドリフト検出、説明、適応の3つの主要ステップから成るパイプラインが必要。
AEとMinkowski距離を使用してFDEモジュールが機能する。
Introduction:
サイバーセキュリティ攻撃は自律システムに深刻な脅威をもたらす。
HVACシステムはデータ収集とMLモデルに依存しており、サイバーセキュリティ攻撃の影響を受けやすい。
CD Phenomenon:
CDはMLモデルの予測精度低下につながる。
Feature Drift Explanation (FDE):
FDEはドリフトした特徴を識別し、サイバーセキュリティ攻撃から保護する効果的な戦略である。
Methodology:
FDEパイプラインではドリフト検出、説明、適応の3つの主要ステップが必要。
Experimental Setup:
実験ではAEと1D-CNNモデルの評価が行われた。
Results:
1D-CNNモデルとAEモデルはそれぞれ高い性能を示した。
Stats
FDEは85.77%のドリフト特徴を正常に識別します。