論文の概要: Adversarial Machine Learning for 5G Communications Security

• arxiv url: http://arxiv.org/abs/2101.02656v1
• Date: Thu, 7 Jan 2021 17:52:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 13:26:55.139091
• Title: Adversarial Machine Learning for 5G Communications Security
• Title（参考訳）: 5g通信セキュリティのためのadversarial machine learning
• Authors: Yalin E. Sagduyu, Tugba Erpek, Yi Shi
• Abstract要約: 本稿では,敵対的機械学習の出現する攻撃面と無線通信に対する対応する攻撃を同定する。 対象は、既存ユーザーとの5G通信のスペクトル共有に対する攻撃だ。 結果から,5Gシステムの主な脆弱性が示唆された。
• 参考スコア（独自算出の注目度）: 4.336971448707467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning provides automated means to capture complex dynamics of wireless spectrum and support better understanding of spectrum resources and their efficient utilization. As communication systems become smarter with cognitive radio capabilities empowered by machine learning to perform critical tasks such as spectrum awareness and spectrum sharing, they also become susceptible to new vulnerabilities due to the attacks that target the machine learning applications. This paper identifies the emerging attack surface of adversarial machine learning and corresponding attacks launched against wireless communications in the context of 5G systems. The focus is on attacks against (i) spectrum sharing of 5G communications with incumbent users such as in the Citizens Broadband Radio Service (CBRS) band and (ii) physical layer authentication of 5G User Equipment (UE) to support network slicing. For the first attack, the adversary transmits during data transmission or spectrum sensing periods to manipulate the signal-level inputs to the deep learning classifier that is deployed at the Environmental Sensing Capability (ESC) to support the 5G system. For the second attack, the adversary spoofs wireless signals with the generative adversarial network (GAN) to infiltrate the physical layer authentication mechanism based on a deep learning classifier that is deployed at the 5G base station. Results indicate major vulnerabilities of 5G systems to adversarial machine learning. To sustain the 5G system operations in the presence of adversaries, a defense mechanism is presented to increase the uncertainty of the adversary in training the surrogate model used for launching its subsequent attacks.
• Abstract（参考訳）: 機械学習は、無線スペクトルの複雑なダイナミクスを捕捉し、スペクトルリソースのより良い理解と効率的な利用を支援する自動化手段を提供する。 コミュニケーションシステムが、スペクトル認識やスペクトル共有といった重要なタスクを実行するために、機械学習によって強化された認知無線機能により賢くなると、機械学習アプリケーションをターゲットにした攻撃によって、新たな脆弱性にも影響を受けるようになる。 本稿では,5Gシステムにおける対向機械学習の出現する攻撃面と,それに対応する無線通信に対する攻撃について述べる。 i)市民ブロードバンドラジオサービス(CBRS)バンドや(ii)ネットワークスライシングをサポートする5Gユーザ機器(UE)の物理層認証など、既存のユーザとの5G通信のスペクトル共有に対する攻撃に焦点を当てている。 最初の攻撃では、5Gシステムをサポートするために環境センシング能力(ESC)に配備されたディープラーニング分類器に信号レベルの入力を操作するために、データ送信またはスペクトルセンシング期間の間を送信する。 第2の攻撃では、敵は5G基地局に配備されたディープラーニング分類器に基づいて、生成敵ネットワーク(GAN)で無線信号をスプーフし、物理層認証機構に侵入する。 結果から,5Gシステムの主な脆弱性が示唆された。 敵の存在下での5Gシステムの動作を維持するため,攻撃開始時のサロゲートモデルの訓練において,敵の不確実性を高めるための防御機構が提示された。

関連論文リスト

• Federated Learning for Zero-Day Attack Detection in 5G and Beyond V2X Networks [9.86830550255822]
  Connected and Automated Vehicles(CAV)は、5GおよびBeyondネットワーク(5GB)上にあり、セキュリティとプライバシ攻撃のベクトルの増加に対して脆弱である。 本稿では,ネットワークトラフィックパターンのみに依存する攻撃を検知するディープ・オートエンコーダ法を利用した新しい検出機構を提案する。 連合学習を用いて、提案した侵入検知システムは、CAVのプライバシーを維持し、通信オーバーヘッドを最小限に抑えながら、大規模で多様なネットワークトラフィックで訓練することができる。
  論文  参考訳（メタデータ） (2024-07-03T12:42:31Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Magmaw: Modality-Agnostic Adversarial Attacks on Machine Learning-Based Wireless Communication Systems [23.183028451271745]
  Magmawは、無線チャネルを介して送信される任意のマルチモーダル信号に対して普遍的な逆方向の摂動を生成することができる最初のブラックボックス攻撃手法である。 概念実証のために,ソフトウェア定義無線システムを用いたリアルタイム無線攻撃プラットフォームを構築した。 驚いたことに、Magmawは暗号化された通信チャネルや従来の通信にも有効である。
  論文  参考訳（メタデータ） (2023-11-01T00:33:59Z)
• Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
  NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。 無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。 エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
  論文  参考訳（メタデータ） (2022-12-19T17:54:36Z)
• Mitigating Attacks on Artificial Intelligence-based Spectrum Sensing for Cellular Network Signals [0.41998444721319217]
  本稿では,AIに基づくセマンティックセグメンテーションモデルを用いたスペクトルセンシング手法の脆弱性分析を行う。 緩和法は、AIベースのスペクトルセンシングモデルの敵攻撃に対する脆弱性を著しく低減できることを示している。
  論文  参考訳（メタデータ） (2022-09-27T11:14:47Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• Machine Learning Assisted Security Analysis of 5G-Network-Connected Systems [5.918387680589584]
  5Gネットワークはソフトウェア定義のインフラに移行した。 ネットワーク機能仮想化やソフトウェア定義ネットワークといった新しい技術は、この移行を可能にする5Gコアネットワーク(5GCN)アーキテクチャに組み込まれている。 本稿では,5GCNの総合的なセキュリティ分析フレームワークについて述べる。
  論文  参考訳（メタデータ） (2021-08-07T20:07:08Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion [0.3007949058551534]
  機械学習の台頭以前、攻撃を示唆するネットワーク異常は、巧妙なルールを用いて検出された。 ネットワーク異常に対する機械学習の進歩により、人間がサイバー防御システムをバイパスする方法を理解することは容易ではない。 本稿では, 分類器を構築し, ネットワークデータの逆例で訓練しても, 敵攻撃を利用でき, システムを破壊することができることを示す。
  論文  参考訳（メタデータ） (2020-02-20T01:54:45Z)

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。