論文の概要: Adversarial Attacks on Deep Learning Based mmWave Beam Prediction in 5G and Beyond

• arxiv url: http://arxiv.org/abs/2103.13989v1
• Date: Thu, 25 Mar 2021 17:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:47:02.606331
• Title: Adversarial Attacks on Deep Learning Based mmWave Beam Prediction in 5G and Beyond
• Title（参考訳）: 深層学習による5G以上のミリ波ビーム予測の逆攻撃
• Authors: Brian Kim and Yalin E. Sagduyu and Tugba Erpek and Sennur Ulukus
• Abstract要約: ディープニューラルネットワーク(DNN)は、受信信号強度(RSS)を用いて各UEに最もスランシングされたビームを、可能な狭いビームのサブセットから予測することができる。 そこで本稿では,DNN への入力として,航空機上で捕獲した RSS を操作するための摂動を発生させることにより,敵攻撃を提案する。 この攻撃によりIA性能が大幅に低下し、DNNはガウスや均一なノイズで攻撃を妨害するよりも小さなRSSのビームを選択することにだまされる。
• 参考スコア（独自算出の注目度）: 46.34482158291128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning provides powerful means to learn from spectrum data and solve complex tasks in 5G and beyond such as beam selection for initial access (IA) in mmWave communications. To establish the IA between the base station (e.g., gNodeB) and user equipment (UE) for directional transmissions, a deep neural network (DNN) can predict the beam that is best slanted to each UE by using the received signal strengths (RSSs) from a subset of possible narrow beams. While improving the latency and reliability of beam selection compared to the conventional IA that sweeps all beams, the DNN itself is susceptible to adversarial attacks. We present an adversarial attack by generating adversarial perturbations to manipulate the over-the-air captured RSSs as the input to the DNN. This attack reduces the IA performance significantly and fools the DNN into choosing the beams with small RSSs compared to jamming attacks with Gaussian or uniform noise.
• Abstract（参考訳）: ディープラーニングは、スペクトルデータから学習し、mWave通信における初期アクセスのためのビーム選択(IA)のような5Gおよびそれ以上の複雑なタスクを解決する強力な手段を提供する。 指向性伝送のための基地局(例えばgNodeB)とユーザ機器(UE)との間のIAを確立するため、ディープニューラルネットワーク(DNN)は、受信信号強度(RSS)を用いて各UEに最も傾斜したビームを、可能な狭いビームのサブセットから予測することができる。 全てのビームを網羅する従来のIAと比較して、ビーム選択のレイテンシと信頼性は向上するが、DNN自身は敵攻撃の影響を受けやすい。 DNNの入力として、対向的摂動を発生させ、対向的攻撃を行い、対向的攻撃を行う。 この攻撃によりIA性能は大幅に低下し、DNNはガウスノイズや均一ノイズによる妨害攻撃と比較して、小さなRSSでビームを選択する。

関連論文リスト

• 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)
• Mixture GAN For Modulation Classification Resiliency Against Adversarial Attacks [55.92475932732775]
  本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。 GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。 シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-29T22:30:32Z)
• The Adversarial Security Mitigations of mmWave Beamforming Prediction Models using Defensive Distillation and Adversarial Retraining [0.41998444721319217]
  本稿では、6G無線ネットワークにおけるディープニューラルネットワーク(DNN)を用いたビームフォーミング予測のためのディープラーニングにおけるセキュリティ脆弱性について述べる。 提案手法は、トレーニングデータの逆例によりデータが破損した状況で使用できる。
  論文  参考訳（メタデータ） (2022-02-16T16:47:17Z)
• Adversarial Attacks against Deep Learning Based Power Control in Wireless Communications [45.24732440940411]
  基地局(BS)が複数のサブキャリアに送信電力を割り当てる電力割り当てに対する逆機械学習に基づく攻撃について検討する。 敵攻撃は,通信速度の低下の観点から,ベンチマーク攻撃よりもはるかに効果的であることを示す。
  論文  参考訳（メタデータ） (2021-09-16T17:54:16Z)
• The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
  我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。 敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
  論文  参考訳（メタデータ） (2021-06-26T10:50:07Z)
• 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)
• Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mmWave Networks [6.097649192976533]
  DeepIAは、5Gおよび6Gミリメートル(mmWave)ネットワークを超えてAI駆動の高速で信頼性の高い初期アクセスを可能にするフレームワークです。 DeepIAは、利用可能なビームのサブセットのみを利用して、従来の完全検索ベースのIAプロセスと比較してビームスイープ時間を短縮します。 DeepIAのビーム予測精度はIAに使用されるビームの数に飽和し、ビームの特定の選択に依存することを示しています。
  論文  参考訳（メタデータ） (2021-01-06T02:59:49Z)
• Double Targeted Universal Adversarial Perturbations [83.60161052867534]
  本稿では, インスタンス別画像依存摂動と汎用的普遍摂動のギャップを埋めるために, 二重目標普遍摂動(DT-UAP)を導入する。 提案したDTAアルゴリズムの幅広いデータセットに対する有効性を示すとともに,物理攻撃の可能性を示す。
  論文  参考訳（メタデータ） (2020-10-07T09:08:51Z)
• Fast Initial Access with Deep Learning for Beam Prediction in 5G mmWave Networks [7.879958190837517]
  DeepIAは、5Gミリ波(mmWave)ネットワークにおける高速で正確な初期アクセス(IA)のためのディープラーニングソリューションである。 そこで,DeepIAは,ビームの除去によりIA時間を短縮し,視線(LoS)および非視線(NLoS)mm波流路条件において従来のIAのビーム予測精度を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2020-06-22T22:35:17Z)

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。