arXivは2026年11月16日(現地時間)、サイバー物理電力システムの障害および攻撃診断における証拠(エビデンス)取得の効率化に関する研究成果を発表した。通常、すべての遠隔測定(テレメトリー)ソースを検査する既存の診断モデルに対し、同研究は「ActiGrid (アクティグリッド)」と呼ぶベンチマークフレームワークを提示。このフレームワークは、欠落した情報源にも対応可能な分類器と、Double Deep Q-Network (DQN) (ダブルディープキューネットワーク) を組み合わせ、必要に応じて追加の情報源を要求するか、早期に診断を停止する仕組みを採用している。

この研究は、学習されたポリシーに基づく証拠選択が、その複雑性に見合う価値があるかを問いかけている。研究者らは、ActiGrid (アクティグリッド) フレームワークを、公開されているTU Delft digital substationとMSU/ORNL power system attack benchmarksの両データセットで評価した。

DQN (ダブルディープキューネットワーク) に基づく学習ポリシーは、観測される情報に適応するものの、TU Delftベンチマークにおいてはcalibrated entropy stoppingと呼ばれる手法と統計的に区別できない結果を示した。また、MSU/ORNLベンチマークでは、よりシンプルな制御によって性能が支配されることが判明した。さらに、コンパクトなサブセット分類器は、両ベンチマークにおいてDQNよりも少ない情報源の読み込みでDQNを上回る性能を発揮した。

entropy stoppingをサブセット分類器と組み合わせて実行した場合、TU Delftベンチマークでは平均Macro-F1スコアで0.928を達成し、全体の57%の情報源のみを読み込んだ。しかし、MSU/ORNLベンチマークにおいては、静的な3ソースサブセットと比較して改善は見られず、どの手法もMacro-F1スコアで0.45を超えることはなかった。論文は、選択的な証拠取得は有効であるものの、これらのベンチマークにおいては学習されたポリシーが必ずしも必要ではないとの結論を示している。


参考: arXiv cs.CR — 2026年11月18日 14:00 (JST)

この記事をシェア
X はてブ LinkedIn