HydroJEV: 상수도 관망의 사이버 공격 및 고장 원인 규명을 위한 1초 소요 무학습 선별 모델
HydroJEV: A one-second, training-free screen for cyber-attack and fault attribution in water distribution networks
한국어 초록
상수도 관망에서 SCADA 경보가 발생했을 때, 운영자는 그것이 사이버 공격, 물리적 고장, 정상적인 과도 현상, 또는 센서 결함 중 무엇을 반영하는지 신속하게 판단해야 합니다. 지도학습 분류기는 수도 사업자가 거의 보유하지 못한 라벨링된 사고 데이터를 필요로 하며, 프론티어 대규모 언어 모델(LLM)은 결정당 수십 초가 소요됩니다. 본 연구에서는 약 1초 만에 클래스 확률을 반환하는 무학습(training-free) 모델인 Jev가 이러한 분류의 1단계 선별 역할을 수행할 수 있는지 검증했습니다. EPANET의 C-Town 네트워크를 기반으로 구축된 4개 클래스 원인 규명 벤치마크에서, 사전 등록된 4회의 블라인드 라운드 동안 동일한 증거를 바탕으로 Jev를 수작업 규칙 트리, 지도학습 분류기, 그리고 7개의 클라우드 LLM과 비교했습니다. 무라벨 사전 보정(label-free prior correction)만으로도 Jev는 4개 라운드 전체에서 규칙 트리와 동등한 성능(분포 내 매크로 F1 0.62-0.64 대 0.56-0.61)을 보였으며, 라벨에 포함되지 않은 이벤트 하위 유형에서는 지도학습 분류기를 0.36-0.42 앞섰고, 클래스당 라벨링된 이벤트가 약 4개 미만일 때마다 분류기보다 우수한 성능을 나타냈습니다. 또한 Jev는 프론티어 LLM보다 20~40배 더 빠르게 결정을 내렸습니다. 규칙 트리로 확인된 Jev의 정상 판정만을 채택함으로써 매크로 F1의 손실 없이 새로운 블라인드 세트에서 LLM 검토자의 윈도우 작업을 35~38% 줄일 수 있었습니다. 추가적인 두 개 관망에 변경 없이 전이되었을 때도, 이 게이티드 캐스케이드(gated cascade)는 4개 세트 모두에서 검토자의 비열등성 마진(non-inferiority margin) 내를 유지했습니다. 따라서 빠르고 학습이 필요 없는 선별 모델은 정밀한 검토의 정확도를 유지하면서도 SCADA 이상 분류 검토 부담의 약 3분의 1을 대신 처리할 수 있습니다.
원문 초록
When a SCADA alarm is raised in a water distribution network, operators must decide quickly whether it reflects a cyberattack, a physical fault, a normal transient or a faulty sensor. Supervised classifiers need labelled incidents that utilities rarely have, and frontier large language models (LLMs) take tens of seconds per decision. We tested whether Jev, a training-free model that returns class probabilities in about one second, can serve as the first tier of this triage. On a four-class cause-attribution benchmark built on the C-Town network in EPANET, Jev was compared with a hand-written rule tree, a supervised classifier and seven cloud LLMs on identical evidence in four sealed, pre-registered rounds. With only a label-free prior correction, Jev matched the rule tree (macro-F1 0.62-0.64 against 0.56-0.61 in distribution) and exceeded the supervised classifier by 0.36-0.42 on event subtypes absent from its labels, in all four rounds, and it outperformed the classifier whenever fewer than about four labelled events per class were available. Jev also decided 20-40 times faster than frontier LLMs. Accepting only benign Jev verdicts confirmed by the rule tree spared an LLM reviewer 35-38% of windows on fresh sealed sets without loss of macro-F1. Transferred unchanged to two further networks, this gated cascade stayed within the non-inferiority margin of its reviewer on all four sets. A fast, training-free screen can therefore take over about a third of the review load in SCADA anomaly triage while preserving the accuracy of deliberate review.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
형광 현미경 이미지에서 극히 희귀한 사멸 세포의 검출
Detection of extremely rare dead cells in fluorescence microscopy images
형광 현미경 관찰에서 사멸 세포 검출은 표현형 스크리닝과 약물 효능 평가에 필수적입니다. 그러나 신호 가변성, 광학 인공물(optical artifact), 여러 채널 간 공국재화(colocalization) 모호성으로 인해 자동 식별은 여전히 어렵습니다. 세포핵 경계를 정의하는 마커는 세포사멸(apoptotic) 마커와 공간적 또는 시간적으로 깔끔하게 일치하지 않습니다. 더욱이 마커 축적 동역학은 개별 세포 및 세포사멸 단계마다 다르므로 범용 임계값을 신뢰하기 어렵습니다. 본 논문에서는 핵 염색 검체에서 세포사멸 세포를 검출하기 위한 여러 전산적 접근 방식에 대한 체계적인 비교를 제시합니다: (1) 강도 임계값, 분포, 상관관계 및 도메인 지침을 사용하는 휴리스틱 방법; (2) 수치적 특징(로지스틱 회귀, 랜덤 포레스트, XGBoost 및 LightGBM)과 이미지 특징(ResNet-18 및 EfficientNet-B0)을 사용하는 분류; (3) 마찬가지로 수치적 특징(격리 포레스트, 원클래스 SVM 및 PCA 재구성)과 이미지 특징(합성곱 오토인코더 및 Deep SVDD)을 사용하는 이상 탐지. 수작업으로 주석이 달린 243개의 실측값(ground truth) 사멸 세포를 포함하여 여러 장면에 걸쳐 65,527개의 세포/핵이 포함된 258개 이미지 데이터셋을 사용하여, PR-AUC, 정밀도, 재현율, F1-score 및 macro-F1과 같은 지표로 각 방법을 평가합니다. 연구 결과에 따르면 이미지 특징을 사용하는 분류(심층 학습)와 수치적 특징을 사용하는 분류(전통적 방식)가 가장 우수한 성능을 달성했으며, ResNet-18과 XGBoost가 수작업으로 설계된 휴리스틱 및 이상 탐지 방법보다 크게 우수한 성과를 보였습니다. 이러한 연구 결과는 최첨단 전산 및 학습 기법으로도 이러한 생의학 문제를 해결하는 것이 여전히 매우 까다롭다는 점을 보여줍니다. 우리는 도메인 과학자를 돕는 보조 도구로서 완전 자동 방식이나 인간 참여형(human-in-the-loop) 설정 모두에서 연구자들에게 효과적인 의사결정 지원 도구를 제공하는 것을 목표로 합니다.
네트워크 트래픽 Natural Visibility Graph 표현에서 사이버 공격 클래스의 위상학적 시그니처
Topological Signatures of Cyber-Attack Classes in Natural Visibility Graph Representations of Network Traffic
Natural Visibility Graph(NVG) 기반 표현은 순차적 네트워크 트래픽에서 구조적 패턴을 포착하는 유망한 접근법을 제공한다. 그러나 서로 다른 사이버 공격 클래스가 이러한 표현에서 구별되는 위상학적 시그니처를 보이는지는 여전히 충분히 밝혀지지 않았다. 본 연구는 CSE-CIC-IDS2018 데이터셋을 사용하여 NVG 기반 네트워크 트래픽 표현의 판별력과 구조적 특성을 조사한다. 76개의 수치형 트래픽 특징을 40관측치의 겹치는 프레임 안에서 각각 NVG로 변환하였고, 각 그래프에서 10개의 그래프 이론적 지표를 추출하여 프레임당 760개의 위상학적 기술자(descriptor)를 얻었다. 이러한 표현의 판별력은 계층화 5-fold 교차검증(stratified five-fold cross-validation)을 적용한 다중 분기 합성곱 신경망(CNN)으로 평가하였다. 모델은 평균 정확도 96.20%와 Matthews 상관계수(MCC) 0.9566을 달성하였다. 클래스별 위상학적 차이를 특성화하기 위해 Kruskal-Wallis 및 Mann-Whitney U 검정을 Benjamini-Hochberg false discovery rate(FDR) 보정과 효과 크기 측정과 결합하였다. 공격 대 정상(benign) 비교 10,640건 중 7,777건(73.1%)이 FDR 보정 후에도 통계적으로 유의하였으며, 4,844건에서 Cliff's delta 효과가 크게 나타났다. 가장 강한 전역적 차이는 주로 역방향 트래픽 및 패킷 길이 관련 특징과 연결성, 클러스터링, 중심성 지표의 결합과 관련되었다. 이러한 결과는 NVG 기반 표현이 강한 판별력을 제공할 수 있으며, 서로 다른 사이버 공격 클래스와 연관된 클래스 의존적 위상학적 패턴을 드러낼 수 있음을 시사한다.
전역 작물 유형 참조 데이터셋 정제를 위한 임베딩 기반 이상 탐지
Embeddings based Anomaly Detection for Cleaning Global Crop Type Reference Datasets
고품질 참조 데이터는 공간·시간 규모와 관계없이 작물 유형 매핑의 중요한 병목으로 남아 있다. WorldCereal과 같은 운영 시스템은 필지 등록부, 국가 데이터베이스, 현장 조사, 지도 기반 산출물 등 이질적인 출처의 라벨을 집계하며, 각각 고유한 편향, 커버리지 공백, 알 수 없는 라벨 노이즈를 지닌다. 단순한 전역 규칙은 부적절한데, 작물 생육 양상(phenology)과 관측 조건이 지역과 계절에 따라 크게 달라지기 때문이다. 본 연구에서는 운영상 의미 있는 단 하나의 질문, 즉 지리공간 파운데이션 모델(geospatial foundation models)을 통해 생성된 임베딩이 참조 데이터 정제의 실용적 기반이 될 수 있는지에 초점을 맞춘다. 우리는 사전학습된 지구관측 인코더의 임베딩 위에서 동작하는 실용적이고 지역성을 고려한(locality-aware) 임베딩 기반 이상(EBA) 탐지 프레임워크를 제안한다. 사전학습된 임베딩을 사용해 같은 지역 내 동일 작물의 다른 샘플들과 각 라벨링된 샘플을 비교 점수화하고, 두드러지는 샘플을 표시한 뒤, 학습 전에 이를 제거하거나 가중치를 낮추면 더 나은 모델이 되는지 검증한다. 표시된 지점이 실제로 잘못 라벨링되었거나 위치가 부적절함을 두 가지 독립적 방식으로 입증한다. 합성 정답(ground truth) 대비 탐지기는 표시된 집합에서 주입된 라벨 오류를 우연 수준보다 2.5–5배 더 집중한다(탐지 AUROC 최대 0.84). 실데이터에서는 모델과 무관한 검증을 통해, 표시된 홀드아웃 지점을 제거하거나 신뢰도 가중치를 부여하면 학습된 모델의 측정 정확도가 작물 유형과 토지 피복 모두에서 향상됨을 보인다. 이 표시를 반영하면 WorldCereal 작물 유형 모델이 다섯 거시 지역 전반에서 개선되며, 이는 세 가지 관점에서 고정된 홀드아웃 분할로 평가된다. 보수적 정제는 도움이 되지만 과도한 정제는 해가 된다는 것을 확인한다. EBA 탐지기 접근법은 재현 가능하고 확장 가능하도록 설계되었으며, 작물 매핑을 넘어 대규모의 노이즈가 많은 지구관측 참조 데이터셋 정제를 위한 템플릿으로 활용될 수 있다.
Attention to Patterns is all you need for Insider threat detection
Anomaly Detection Using Normalizing Flow-Based Density Estimation and Synthetic Defect Classification
Anomaly Detection in File Fragment Classification of Image File Formats
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
41 pages, 19 figures