論文の概要: 5G enabled Mobile Edge Computing security for Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2202.00005v1
• Date: Sun, 30 Jan 2022 05:36:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 08:09:30.662420
• Title: 5G enabled Mobile Edge Computing security for Autonomous Vehicles
• Title（参考訳）: 5Gによる自動運転車のモバイルエッジコンピューティングセキュリティの実現
• Authors: Daryll Ralph D'Costa, Dr. Robert Abbas
• Abstract要約: 本稿では,5Gネットワーク上でのDDoS(Distributed Denial of Service)攻撃について検討する。 ターゲットは、さまざまな種類のDDoS攻撃を分類し、5Gレイテンシーの品質を予測する機械学習モデルを実装することである。 この論文はDDoS攻撃を予測するモデルとなったが、データセットは5G関連の情報をかなり欠いていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The world is moving into a new era with the deployment of 5G communication infrastructure. Many new developments are deployed centred around this technology. One such advancement is 5G Vehicle to Everything communication. This technology can be used for applications such as driverless delivery of goods, immediate response to emergencies and improving traffic efficiency. The concept of Intelligent Transport Systems (ITS) is built around this system which is completely autonomous. This paper studies the Distributed Denial of Service (DDoS) attack carried out over a 5G network and analyses security attacks, particularly the DDoS attack. The aim is to implement a machine learning model capable of classifying different types of DDoS attacks and predicting the quality of 5G latency. The initial steps of implementation involved the synthetic addition of 5G parameters into the dataset. Subsequently, the data was label encoded, and minority classes were oversampled to match the other classes. Finally, the data was split as training and testing, and machine learning models were applied. Although the paper resulted in a model that predicted DDoS attacks, the dataset acquired significantly lacked 5G related information. Furthermore, the 5G classification model needed more modification. The research was based on largely quantitative research methods in a simulated environment. Hence, the biggest limitation of this research has been the lack of resources for data collection and sole reliance on online data sets. Ideally, a Vehicle to Everything (V2X) project would greatly benefit from an autonomous 5G enabled vehicle connected to a mobile edge cloud. However, this project was conducted solely online on a single PC which further limits the outcomes. Although the model underperformed, this paper can be used as a framework for future research in Intelligent Transport System development.
• Abstract（参考訳）: 世界は5g通信インフラの導入によって新しい時代へと移行しつつある。 この技術を中心に多くの新しい開発が展開されている。 その一つが5G Vehicle to Everything通信である。 この技術は、商品の無人配達、緊急時の即時対応、交通効率の向上といった用途に利用できる。 インテリジェントトランスポートシステム(ITS)の概念は、完全に自律的なシステムを中心に構築されている。 本稿では,5Gネットワーク上でのDDoS攻撃について検討し,セキュリティ攻撃,特にDDoS攻撃について分析する。 ターゲットは、さまざまな種類のDDoS攻撃を分類し、5Gレイテンシーの品質を予測する機械学習モデルを実装することである。 実装の最初のステップは、データセットに5Gパラメータを合成することであった。 その後、データはラベルエンコードされ、マイノリティクラスは他のクラスとマッチするようにオーバーサンプリングされた。 最後に、トレーニングとテストとしてデータを分割し、機械学習モデルを適用した。 この論文はDDoS攻撃を予測するモデルとなったが、データセットは5G関連の情報をかなり欠いていた。 さらに、5g分類モデルはさらなる修正を必要とした。 この研究は主にシミュレーション環境における定量的な研究手法に基づいている。 したがって、この研究の最大の制限は、データ収集のためのリソースの欠如と、オンラインデータセットへの依存である。 理想的には、v2x(autonomous to everything)プロジェクトは、モバイルエッジクラウドに接続された自動運転5g対応車両の恩恵を受けるだろう。 しかし、このプロジェクトは単一のPC上でのみ実行され、結果はさらに制限された。 モデルは過小評価されているものの,将来の知的輸送システム開発研究の枠組みとして利用することができる。

関連論文リスト

• Exploring Emerging Trends in 5G Malicious Traffic Analysis and Incremental Learning Intrusion Detection Strategies [9.466909402552844]
  5G技術の利用が増えるにつれて、5Gネットワーク上での悪意あるトラフィック活動のリスクも高まる。 本稿では,まず,5G技術と5Gセキュリティの詳細な研究について述べる。 次に、AIによる最新の悪意のあるトラフィック検出と、5Gネットワークへの適用性を分析し、議論する。 最後に,5G環境における交通検知に対処する必要がある3つの課題について述べる。
  論文  参考訳（メタデータ） (2024-02-22T07:52:20Z)
• 5G Networks and IoT Devices: Mitigating DDoS Attacks with Deep Learning Techniques [0.0]
  モノのインターネット(IoT)デバイスは近年劇的に加速している。 結果として、これらのデバイスに収集され送信される大量のデータを処理するために、スーパーネットワークが要求される。 ディープラーニング技術は、DDoS攻撃を検出し緩和する効果を証明している。
  論文  参考訳（メタデータ） (2023-11-12T19:50:49Z)
• When Authentication Is Not Enough: On the Security of Behavioral-Based Driver Authentication Systems [53.2306792009435]
  我々はランダムフォレストとリカレントニューラルネットワークアーキテクチャに基づく2つの軽量ドライバ認証システムを開発した。 我々は,SMARTCANとGANCANという2つの新しいエスケープアタックを開発することで,これらのシステムに対する攻撃を最初に提案する。 コントリビューションを通じて、これらのシステムを安全に採用する実践者を支援し、車の盗難を軽減し、ドライバーのセキュリティを高める。
  論文  参考訳（メタデータ） (2023-06-09T14:33:26Z)
• SPIN: Simulated Poisoning and Inversion Network for Federated Learning-Based 6G Vehicular Networks [9.494669823390648]
  車両ネットワークは常にデータプライバシー保護の懸念に直面してきた。 この手法は、モデル逆転とモデル中毒攻撃に対して非常に脆弱である。 本研究では,データ再構成に最適化手法を応用したシミュレート中毒・逆変換ネットワーク(SPIN)を提案する。
  論文  参考訳（メタデータ） (2022-11-21T10:07:13Z)
• In-situ Model Downloading to Realize Versatile Edge AI in 6G Mobile Networks [61.416494781759326]
  In-situモデルダウンロードは、ネットワーク内のAIライブラリからダウンロードすることで、デバイス上のAIモデルを透過的でリアルタイムに置き換えることを目的としている。 提示されたフレームワークの重要なコンポーネントは、ダウンロードされたモデルを深さレベル、パラメータレベル、ビットレベルで動的に圧縮する一連のテクニックである。 我々は,3層(エッジ,ローカル,中央)AIライブラリのキー機能を備えた,インサイトモデルダウンロードのデプロイ用にカスタマイズされた6Gネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T13:41:15Z)
• On-Device Domain Generalization [93.79736882489982]
  ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。 知識蒸留がこの問題の解決の有力な候補であることがわかった。 本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
  論文  参考訳（メタデータ） (2022-09-15T17:59:31Z)
• GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation [60.07812405063708]
  3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。 文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。 本稿では,本研究分野における最先端技術について述べる。
  論文  参考訳（メタデータ） (2022-07-20T09:06:07Z)
• A Survey on XAI for 5G and Beyond Security: Technical Aspects, Challenges and Research Directions [5.955491600905514]
  本稿では、5G以上の利害関係者が次世代ネットワークを保護するために使用されるインテリジェントなブラックボックスシステムを調べることができる、説明可能なAI(XAI)手法の可能性について検討する。 XAIを5G以降のセキュリティドメインで使用するという目標は、MLベースのセキュリティシステムの意思決定プロセスが5G以上のステークホルダに対して透過的かつ理解しやすいものになることだ。
  論文  参考訳（メタデータ） (2022-04-27T10:26:24Z)
• Data Heterogeneity-Robust Federated Learning via Group Client Selection in Industrial IoT [57.67687126339891]
  FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。 自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。 実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
  論文  参考訳（メタデータ） (2022-02-03T10:48:17Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)

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。