1. Контроль распространения в динамической кластеризации данных для плотного IIoT против атаки с ложным внедрением данных (arXiv)

Автор:Карлос Педросо, Алдри Сантос

Аннотация .Интернет вещей сделал возможной разработку все более управляемых сервисов, таких как промышленные сервисы IIoT, которые часто работают с огромными объемами данных. Между тем, по мере роста сетей IIoT угроз становится все больше, и атаки с ложным внедрением данных (FDI) выделяются как одни из самых агрессивных. Большинство современных решений для борьбы с этой атакой не учитывают проверку данных, особенно в службе кластеризации данных. Чтобы продвинуться в этом вопросе, эта работа представляет CONFINIT, систему обнаружения вторжений для смягчения атак FDI на службу распространения данных, работающую в плотных сетях IIoT. CONFINIT сочетает в себе сторожевое наблюдение и совместные стратегии консенсуса для уверенного исключения различных атак ПИИ. Моделирование показало, что CONFINIT по сравнению с DDFC увеличил до 35% — 40% количество кластеров без злоумышленников в среде IIoT под давлением газа. CONFINIT добился уровня обнаружения атак 99%, точности 90 и оценки F1 0,81 в нескольких сценариях IIoT, при этом ложноотрицательные и положительные результаты составляют всего 3,2% и 3,6% соответственно. Более того, в двух вариантах атак FDI, называемых атаками Churn и Sensitive, CONFINIT достиг уровня обнаружения 100%, точности 99 и F1 0,93 с уровнем ложных срабатываний и отрицательных результатов менее 2%.

2.TRUST XAI: независимые от модели объяснения для ИИ на примере безопасности IIoT (arXiv)

Автор: Маэде Золанвари, Зебо Янг, Халед Хан, Радж Джейн, Надер Мескин.

Аннотация. Несмотря на значительный рост ИИ, его «черный ящик» создает проблемы в создании адекватного доверия. Таким образом, он редко используется как автономная единица в приложениях IoT с высоким уровнем риска, таких как критически важные промышленные инфраструктуры, медицинские системы, финансовые приложения и т. д. Чтобы решить эту проблему, появился объяснимый ИИ (XAI). Тем не менее, разработка достаточно быстрого и точного XAI по-прежнему является сложной задачей, особенно в числовых приложениях. Здесь мы предлагаем универсальную модель XAI под названием «Прозрачность, основанная на статистической теории» (TRUST), которая не зависит от модели, высокопроизводительна и подходит для числовых приложений. Проще говоря, TRUST XAI моделирует статистическое поведение выходных данных ИИ в системе на основе ИИ. Факторный анализ используется для преобразования входных признаков в новый набор скрытых переменных. Мы используем взаимную информацию для ранжирования этих переменных и выбираем только самые влиятельные из них на выходе ИИ и называем их «представителями» классов. Затем мы используем мультимодальные распределения Гаусса, чтобы определить вероятность того, что любая новая выборка принадлежит каждому классу. Мы демонстрируем эффективность TRUST на примере кибербезопасности промышленного Интернета вещей (IIoT) с использованием трех разных наборов данных о кибербезопасности. Поскольку IIoT — известное приложение, работающее с числовыми данными. Результаты показывают, что TRUST XAI дает объяснения для новых случайных выборок со средней вероятностью успеха 98%. По сравнению с LIME, популярной моделью XAI, TRUST демонстрирует превосходство в контексте производительности, скорости и метода объяснимости. В конце мы также показываем, как TRUST объясняется пользователю

3. Распределение ресурсов в двух масштабах для автоматизированных сетей в IIoT (arXiv)

Автор:Яньхуа Хэ, Юнь Рен, Чжэньюй Чжоу, Шахид Мумтаз, Саба Аль-Рубайе, Антониос Цурдос, Октавия А. Добре

Аннотация. Быстрый технологический прогресс сотовых технологий произведет революцию в автоматизации сетей в промышленном Интернете вещей (IIoT). В этой статье мы исследуем проблему распределения ресурсов в двух временных масштабах в сетях IIoT с гибридным энергоснабжением, где временные вариации сбора энергии (EH), цены на электроэнергию, состояния канала и поступления данных демонстрируют разную степень детализации. Сформулированная задача состоит из управления энергопотреблением на большом временном масштабе, а также управления скоростью, выбором канала и распределением мощности на малом временном масштабе. Чтобы решить эту проблему, мы разрабатываем онлайн-решение, гарантирующее ограниченное отклонение производительности с помощью только причинно-следственной информации. В частности, оптимизация по Ляпунову используется для преобразования задачи долгосрочной стохастической оптимизации в ряд задач краткосрочной детерминированной оптимизации. Затем разрабатывается несложный алгоритм управления скоростью, основанный на методе множителей переменного направления (ADMM), который ускоряет скорость сходимости за счет подхода декомпозиции-координации. Затем проблема совместного выбора канала и распределения мощности преобразуется в задачу согласования «один ко многим» и решается с помощью предложенного сопоставления на основе цены с ограничением квоты. Наконец, предложенный алгоритм проверяется с помощью моделирования в различных конфигурациях системы.