1. Контрол на разпространението в динамично клъстериране на данни за плътен IIoT срещу фалшиви атаки за инжектиране на данни (arXiv)

Автор:Карлос Педросо, Алдри Сантос

Резюме:Интернет на нещата направи възможно разработването на все по-ориентирани услуги, като промишлени услуги на интернет на нещата, които често работят с огромни количества данни. Междувременно, тъй като мрежите на IIoT се разрастват, заплахите стават още по-големи, а фалшивите атаки за инжектиране на данни (FDI) се открояват като едни от най-агресивните. По-голямата част от настоящите решения за справяне с тази атака не вземат предвид валидирането на данни, особено в услугата за клъстериране на данни. С цел напредък по въпроса, тази работа въвежда CONFINIT, система за откриване на проникване за смекчаване на атаките на ПЧИ срещу услугата за разпространение на данни, работеща в плътни мрежи на IIoT. CONFINIT съчетава наблюдаващо наблюдение и съвместни консенсусни стратегии за категорично изключване на различни атаки на ПЧИ. Симулациите показаха, че CONFINIT в сравнение с DDFC увеличава с до 35% — 40% броя на клъстерите без нападатели в IIoT среда с газово налягане. CONFINIT постигна нива на откриване на атаки от 99%, точност от 90 и F1 резултат от 0,81 в множество сценарии на IIoT, със само до 3,2% и 3,6% на фалшиви отрицателни и положителни нива, съответно. Освен това, при два варианта на FDI атаки, наречени Churn и Sensitive атаки, CONFINIT постигна нива на откриване от 100%, точност от 99 и F1 от 0,93 с по-малко от 2% фалшиви положителни и отрицателни нива

2. TRUST XAI: Моделно-агностични обяснения за AI с казус за сигурност на IIoT (arXiv)

Автор :Maede Zolanvari, Zebo Yang, Khaled Khan, Raj Jain, Nader Meskin

Резюме:Въпреки значителния растеж на AI, неговата природа на „черна кутия“ създава предизвикателства при генерирането на адекватно доверие. По този начин той рядко се използва като самостоятелна единица в IoT приложения с висок риск, като критични индустриални инфраструктури, медицински системи и финансови приложения и т.н. Обяснимият AI (XAI) се появи, за да помогне с този проблем. Но проектирането на подходящо бърз и точен XAI все още е предизвикателство, особено в цифровите приложения. Тук предлагаме универсален XAI модел, наречен Transparency Relying Upon Statistical Theory (TRUST), който не зависи от модела, е с висока производителност и е подходящ за числени приложения. Казано по-просто, TRUST XAI моделира статистическото поведение на резултатите на AI в система, базирана на AI. Факторният анализ се използва за трансформиране на входните характеристики в нов набор от латентни променливи. Ние използваме взаимна информация, за да класираме тези променливи и избираме само най-влиятелните от резултатите на AI и ги наричаме „представители“ на класовете. След това използваме мултимодални разпределения на Гаус, за да определим вероятността всяка нова извадка да принадлежи към всеки клас. Ние демонстрираме ефективността на TRUST в казус за киберсигурността на индустриалния интернет на нещата (IIoT), използвайки три различни набора от данни за киберсигурност. Тъй като IIoT е видно приложение, което се занимава с числени данни. Резултатите показват, че TRUST XAI предоставя обяснения за нови произволни проби със среден процент на успех от 98%. В сравнение с LIME, популярен XAI модел, TRUST е доказано, че е по-добър в контекста на производителност, скорост и метод за обяснение. Накрая показваме и как ДОВЕРИЕТО се обяснява на потребителя

3. Разпределение на ресурси в два времеви мащаба за автоматизирани мрежи в IIoT(arXiv)

Автор:Yanhua He, Yun Ren, Zhenyu Zhou, Shahid Mumtaz, Saba Al-Rubaye, Antonios Tsourdos, Octavia A. Dobre

Резюме:Бързият технологичен напредък на клетъчните технологии ще революционизира мрежовата автоматизация в индустриалния интернет на нещата (IIoT). В тази статия ние изследваме проблема с разпределението на ресурсите в два времеви мащаба в мрежи на IIoT с хибридно енергоснабдяване, където времевите вариации на събирането на енергия (EH), цената на електроенергията, състоянието на канала и пристигането на данни показват различна детайлност. Формулираният проблем се състои от управление на енергията в голям времеви мащаб, както и контрол на скоростта, избор на канал и разпределение на мощността в малък времеви мащаб. За да се справим с това предизвикателство, ние разработваме онлайн решение, което да гарантира ограничено отклонение в производителността само с причинно-следствена информация. По-конкретно, оптимизацията на Ляпунов се използва за трансформиране на дългосрочния стохастичен оптимизационен проблем в поредица от краткосрочни детерминирани оптимизационни проблеми. След това се разработва алгоритъм за контрол на скоростта с ниска сложност, базиран на метода на променливата посока на умножителите (ADMM), който ускорява скоростта на конвергенция чрез подхода на разлагане-координация. След това проблемът със съвместния избор на канал и разпределението на мощността се трансформира в проблем за съпоставяне „един към много“ и се решава чрез предложеното съпоставяне на базата на цена с ограничение на квотата. Накрая, предложеният алгоритъм се проверява чрез симулации при различни системни конфигурации