論文の概要: Multi-stage Jamming Attacks Detection using Deep Learning Combined with
Kernelized Support Vector Machine in 5G Cloud Radio Access Networks
- arxiv url: http://arxiv.org/abs/2004.06077v2
- Date: Tue, 14 Apr 2020 13:11:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 00:38:53.130490
- Title: Multi-stage Jamming Attacks Detection using Deep Learning Combined with
Kernelized Support Vector Machine in 5G Cloud Radio Access Networks
- Title(参考訳): 5Gクラウド無線アクセスネットワークにおける深層学習とカーネル化支援ベクトルマシンを組み合わせたマルチステージジャミング攻撃検出
- Authors: Marouane Hachimi, Georges Kaddoum, Ghyslain Gagnon, Poulmanogo Illy
- Abstract要約: 本研究は5G C-RANにML-IDS(Multi-stage Machine Learning-based Intrusion Detection)を配置することに焦点を当てる。
一定のジャミング、ランダムジャミング、ジャミング、リアクティブジャミングの4種類のジャミング攻撃を検出し、分類することができる。
最終分類精度は94.51%で、偽陰性率は7.84%である。
- 参考スコア(独自算出の注目度): 17.2528983535773
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In 5G networks, the Cloud Radio Access Network (C-RAN) is considered a
promising future architecture in terms of minimizing energy consumption and
allocating resources efficiently by providing real-time cloud infrastructures,
cooperative radio, and centralized data processing. Recently, given their
vulnerability to malicious attacks, the security of C-RAN networks has
attracted significant attention. Among various anomaly-based intrusion
detection techniques, the most promising one is the machine learning-based
intrusion detection as it learns without human assistance and adjusts actions
accordingly. In this direction, many solutions have been proposed, but they
show either low accuracy in terms of attack classification or they offer just a
single layer of attack detection. This research focuses on deploying a
multi-stage machine learning-based intrusion detection (ML-IDS) in 5G C-RAN
that can detect and classify four types of jamming attacks: constant jamming,
random jamming, deceptive jamming, and reactive jamming. This deployment
enhances security by minimizing the false negatives in C-RAN architectures. The
experimental evaluation of the proposed solution is carried out using WSN-DS
(Wireless Sensor Networks DataSet), which is a dedicated wireless dataset for
intrusion detection. The final classification accuracy of attacks is 94.51\%
with a 7.84\% false negative rate.
- Abstract(参考訳): 5Gネットワークにおいて、Cloud Radio Access Network(C-RAN)は、リアルタイムクラウドインフラストラクチャ、協調無線、集中型データ処理を提供することにより、エネルギー消費を最小化し、リソースを効率的に割り当てる、将来的なアーキテクチャとして期待されている。
近年,悪質な攻撃に対する脆弱性から,c-ranネットワークのセキュリティが注目されている。
様々な異常に基づく侵入検知技術のうち、最も有望なものは、人間の助けなしに学習し、それに応じて行動を調整する機械学習に基づく侵入検出である。
この方向では、多くの解決策が提案されているが、攻撃分類において低い精度を示すか、単に単一の攻撃検出層を提供するだけである。
本研究では,複数段階の機械学習に基づく侵入検出(ml-ids)を5g c-ranに展開し,一定のジャミング,ランダムジャミング,騙し込み,リアクティブジャミングの4種類のジャミング攻撃の検出と分類を行う。
このデプロイメントは、C-RANアーキテクチャにおける偽陰性を最小限にすることでセキュリティを高める。
提案手法の実験的評価は、侵入検知専用の無線データセットであるWSN-DS(Wireless Sensor Networks DataSet)を用いて行われる。
攻撃の最終分類精度は 94.51\% であり、偽陰性率は 7.84\% である。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for
CAVs [11.15939066175832]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳(メタデータ) (2024-03-05T04:29:31Z) - Real-Time Zero-Day Intrusion Detection System for Automotive Controller
Area Network on FPGAs [13.581341206178525]
本稿では,ゼロデイアタックを検出するための教師なし学習に基づく畳み込みオートエンコーダアーキテクチャを提案する。
資源制約のZynq Ultrascaleプラットフォームを対象としたAMD/XilinxのVitis-AIツールを用いてモデルを定量化する。
提案モデルでは, 未知のDoS, ファジング, スプーフィング攻撃に対して, 同一以上の分類精度 (>99.5%) を達成することができた。
論文 参考訳(メタデータ) (2024-01-19T14:36:01Z) - Deep Attention Recognition for Attack Identification in 5G UAV
scenarios: Novel Architecture and End-to-End Evaluation [3.3253720226707992]
5Gフレームワークに固有の堅牢なセキュリティ機能にもかかわらず、攻撃者は依然として5G無人航空機(UAV)の運用を妨害する方法を見つけるだろう。
我々は,認証されたUAVに埋め込まれた小さなディープネットワークに基づく攻撃を識別するためのソリューションとして,Deep Attention Recognition (DAtR)を提案する。
論文 参考訳(メタデータ) (2023-03-03T17:10:35Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳(メタデータ) (2022-04-28T23:10:47Z) - A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文 参考訳(メタデータ) (2021-11-02T05:58:07Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Adversarial Attacks on Deep Learning Based Power Allocation in a Massive
MIMO Network [62.77129284830945]
本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。
我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
論文 参考訳(メタデータ) (2021-01-28T16:18:19Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。
本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
論文 参考訳(メタデータ) (2020-03-21T07:13:40Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2020-03-18T05:56:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。