ソフトウェア定義ツインネットワークを用いたIIoTにおける新規短期異常予測
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20068v1発表形式：クロス
要約：IIoT環境における安全な監視と動的制御は、現在の開発目標において重要な要件です。我々は、Software-Defined Network（SDN）とDigital Twin（DT）パラダイムの統合により、IIoT環境の動的で安全な監視を実現できると考えています。現在の文献には、SDNベースのDTおよびIIoT脅威に対する短期異常検知のための時間認識型インテリジェントモデル訓練の実装詳細が不足しています。そこで、我々はSDNベースのDTを用いた短期異常検知のための新規フレームワークを提案しました。包括的なデータセット、時間認識型特徴ラベル付け、および様々な機械学習モデルの包括的な評価を用いて、新規なSD-TWINベースの異常検知アルゴリズムを提案します。新たなリアルタイムSD-TWIN導入のパフォーマンスによれば、GPUアクセラレーションされたLightGBMモデルは特に有効であり、高い再現率と強力な分類性能のバランスを実現しています。
原文（英語）を表示
Title (EN): A Novel Short-Term Anomaly Prediction for IIoT with Software Defined Twin Network
arXiv:2509.20068v1 Announce Type: cross
Abstract: Secure monitoring and dynamic control in an IIoT environment are major requirements for current development goals. We believe that dynamic, secure monitoring of the IIoT environment can be achieved through integration with the Software-Defined Network (SDN) and Digital Twin (DT) paradigms. The current literature lacks implementation details for SDN-based DT and time-aware intelligent model training for short-term anomaly detection against IIoT threats. Therefore, we have proposed a novel framework for short-term anomaly detection that uses an SDN-based DT. Using a comprehensive dataset, time-aware labeling of features, and a comprehensive evaluation of various machine learning models, we propose a novel SD-TWIN-based anomaly detection algorithm. According to the performance of a new real-time SD-TWIN deployment, the GPU- accelerated LightGBM model is particularly effective, achieving a balance of high recall and strong classification performance.
Published: 2025-09-24 19:00 UTC