論文の概要: Adversarial Machine Learning for Flooding Attacks on 5G Radio Access Network Slicing

• arxiv url: http://arxiv.org/abs/2101.08724v2
• Date: Mon, 22 Feb 2021 14:39:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 07:51:05.135231
• Title: Adversarial Machine Learning for Flooding Attacks on 5G Radio Access Network Slicing
• Title（参考訳）: 5g無線ネットワークスライシングにおける洪水攻撃に対するadversarial machine learning
• Authors: Yi Shi and Yalin E. Sagduyu
• Abstract要約: 5Gネットワークスライシングは 5G Radio Access Network (RAN) の仮想リソースブロック (RB) としてネットワークリソースを管理する 本稿では,敵が偽のネットワークスライシング要求を生成する5gネットワークスライシングに対する新たなフラッディング攻撃を提案する。 実際の要求によって達成される報酬の一部は、攻撃がなければ達成される報酬よりもはるかに少ない可能性があることを示す。
• 参考スコア（独自算出の注目度）: 5.123557241121498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network slicing manages network resources as virtual resource blocks (RBs) for the 5G Radio Access Network (RAN). Each communication request comes with quality of experience (QoE) requirements such as throughput and latency/deadline, which can be met by assigning RBs, communication power, and processing power to the request. For a completed request, the achieved reward is measured by the weight (priority) of this request. Then, the reward is maximized over time by allocating resources, e.g., with reinforcement learning (RL). In this paper, we introduce a novel flooding attack on 5G network slicing, where an adversary generates fake network slicing requests to consume the 5G RAN resources that would be otherwise available to real requests. The adversary observes the spectrum and builds a surrogate model on the network slicing algorithm through RL that decides on how to craft fake requests to minimize the reward of real requests over time. We show that the portion of the reward achieved by real requests may be much less than the reward that would be achieved when there was no attack. We also show that this flooding attack is more effective than other benchmark attacks such as random fake requests and fake requests with the minimum resource requirement (lowest QoE requirement). Fake requests may be detected due to their fixed weight. As an attack enhancement, we present schemes to randomize weights of fake requests and show that it is still possible to reduce the reward of real requests while maintaining the balance on weight distributions.
• Abstract（参考訳）: ネットワークスライシングは 5G Radio Access Network (RAN) の仮想リソースブロック (RB) としてネットワークリソースを管理する。 各通信要求には、スループットやレイテンシ/遅延といったqoe(quality of experience)要件が付属する。 完了した要求に対して、得られた報酬は、この要求の重み(プライオリティ)によって測定される。 そして、例えば強化学習(RL)でリソースを割り当てることで、報酬を時間とともに最大化する。 本稿では, 5G RAN リソースを消費するために, 敵が偽のネットワークスライシング要求を発生させるような, 5G RAN ネットワークスライシングに対する新たなフラッディング攻撃を提案する。 相手はスペクトルを観察し、RLを通じてネットワークスライシングアルゴリズム上に代理モデルを構築し、実際のリクエストの報酬を最小限に抑えるために偽のリクエストを作成できる方法を決定する。 実際の要求によって達成される報酬の一部は、攻撃がなければ達成される報酬よりもはるかに少ない可能性があることを示す。 また,このフラッディング攻撃は,最小リソース要件(最小qoe要件)でランダムなフェイク要求やフェイク要求など,他のベンチマーク攻撃よりも効果的であることを示す。 フェイク要求はその固定重量のために検出される。 攻撃の強化として、偽要求の重みをランダム化するためのスキームを提案し、重み分布のバランスを維持しながら、実際の要求の報酬を低減できることを示す。

関連論文リスト

• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• Generalizable Resource Scaling of 5G Slices using Constrained Reinforcement Learning [2.0024258465343268]
  ネットワークスライシングは、5Gが様々なアプリケーションをサポートするための重要なイネーブルである。 5G インフラストラクチャプロバイダ (InP) は,スライストラフィックに応じて適切なリソースを割り当てることが必須である。
  論文  参考訳（メタデータ） (2023-06-15T17:16:34Z)
• Overload: Latency Attacks on Object Detection for Edge Devices [47.9744734181236]
  本稿では,ディープラーニングアプリケーションに対する遅延攻撃について検討する。 誤分類に対する一般的な敵攻撃とは異なり、遅延攻撃の目標は推論時間を増やすことである。 このような攻撃がどのように動作するかを示すために、オブジェクト検出を使用します。
  論文  参考訳（メタデータ） (2023-04-11T17:24:31Z)
• Intelligent Request Strategy Design in Recommender System [76.90734681369156]
  我々は、Intelligent Request Strategy Design(IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。 IRSDは、ユーザのリアルタイムな意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールRSの有効性を向上させることを目的としている。 我々は、アップリフトベースのOn-edge Smart Request Framework(AdaRequest)という、適応的な要求挿入戦略の新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-23T16:51:38Z)
• Fast Conditional Network Compression Using Bayesian HyperNetworks [54.06346724244786]
  条件付き圧縮問題を導入し、それに取り組むための高速なフレームワークを提案する。 問題は、トレーニング済みの大規模ニューラルネットワークをターゲットコンテキストに応じて最適な小さなネットワークに素早く圧縮する方法である。 提案手法は, ベースライン方式よりもはるかに小型の圧縮ネットワークを高速に生成できる。
  論文  参考訳（メタデータ） (2022-05-13T00:28:35Z)
• Reinforcement Learning for Admission Control in Wireless Virtual Network Embedding [0.6961253535504979]
  本稿では,異なる依存関係に対する受け入れポリシーを学習可能な深層強化学習(RL)ソリューションを提案する。 本稿では,RLがベースラインより優れており,リソースが十分ある場合でも低拒否率で高い受け入れ率が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-04T09:05:30Z)
• Lottery Jackpots Exist in Pre-trained Models [69.17690253938211]
  未拡張幅の事前学習モデルには,「ロテリ・ジャックポット」と呼ばれる重量訓練を伴わずに,高性能で疎結合なサブネットワークが存在していることを示す。 トレーニング損失に悪影響を及ぼす可能性のあるマスクの変化を制限するための,新しい短い制限法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T03:50:28Z)
• Towards Intelligent RAN Slicing for B5G: Opportunities and Challenges [30.145634771445735]
  5Gネットワークおよびそれ以上(B5G)は、物理インフラの仮想インスタンス(スライス)を鍛造することでネットワークスライシングの概念を取り入れている。 本稿ではRANスライシング(RAN-S)設計を強調する。 スライスアイソレーションを確保しながらフレキシブルに(re)構成できるオンデマンドRAN-Sの形成は難しい。
  論文  参考訳（メタデータ） (2021-02-27T14:24:09Z)
• Deep Reinforcement Learning for Dynamic Spectrum Sharing of LTE and NR [10.210703513367864]
  4Gと5Gシステム間の積極的な動的スペクトル共有スキームを提案する。 モンテカルロ木探索に基づく深層強化学習アルゴリズムを提案する。 提案手法は,各サブフレームにおいて欲張りではなく,将来の状態を考慮しながら行動を起こすことができることを示す。
  論文  参考訳（メタデータ） (2021-02-22T16:56:51Z)
• Reinforcement Learning for Dynamic Resource Optimization in 5G Radio Access Network Slicing [3.509171590450989]
  本稿では,5G無線スライシングのための動的資源配分のための強化学習ソリューションを提案する。 その結果、強化学習は、筋電図、ランダム、そして最初に提供されるソリューションと比較して、5Gネットワークユーティリティに大きな改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-09-14T17:10:17Z)
• Accelerating Real-Time Question Answering via Question Generation [98.43852668033595]
  Ocean-Qは新しい質問生成(QG)モデルを導入し、大量のQAペアをオフラインで生成する。 入力された質問を候補QAプールとリアルタイムにマッチングし、質問エンコーディングなしで回答を予測する。 Ocean-Qは、既存の分散データベースシステムや検索エンジンに簡単にデプロイでき、大規模クエリを使用することができる。
  論文  参考訳（メタデータ） (2020-09-10T22:44:29Z)

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。