論文の概要: GFCL: A GRU-based Federated Continual Learning Framework against
Adversarial Attacks in IoV
- arxiv url: http://arxiv.org/abs/2204.11010v1
- Date: Sat, 23 Apr 2022 06:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 13:50:16.260434
- Title: GFCL: A GRU-based Federated Continual Learning Framework against
Adversarial Attacks in IoV
- Title（参考訳）: GFCL: IoVの敵攻撃に対するGRUベースのフェデレーション継続的学習フレームワーク
- Authors: Anum Talpur and Mohan Gurusamy
- Abstract要約: 深層強化学習(Deep Reinforcement Learning, DRL)は、IoT(Internet of Vehicles, IoV)アプリケーションで広く使われているML設計の1つである。
標準的なMLセキュリティ技術は、アルゴリズムが環境との継続的な相互作用を通じてシーケンシャルな意思決定を解決することを学習するDRLでは有効ではない。
本稿では,GRU(Gated Recurrent Unit)に基づくGFCL(Federated Continuousal Learning)異常検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.3758186776249923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of ML in 5G-based Internet of Vehicles (IoV) networks has
enabled intelligent transportation and smart traffic management. Nonetheless,
the security against adversarial attacks is also increasingly becoming a
challenging task. Specifically, Deep Reinforcement Learning (DRL) is one of the
widely used ML designs in IoV applications. The standard ML security techniques
are not effective in DRL where the algorithm learns to solve sequential
decision-making through continuous interaction with the environment, and the
environment is time-varying, dynamic, and mobile. In this paper, we propose a
Gated Recurrent Unit (GRU)-based federated continual learning (GFCL) anomaly
detection framework against adversarial attacks in IoV. The objective is to
present a lightweight and scalable framework that learns and detects the
illegitimate behavior without having a-priori training dataset consisting of
attack samples. We use GRU to predict a future data sequence to analyze and
detect illegitimate behavior from vehicles in a federated learning-based
distributed manner. We investigate the performance of our framework using
real-world vehicle mobility traces. The results demonstrate the effectiveness
of our proposed solution for different performance metrics.
- Abstract（参考訳）: 5GベースのInternet of Vehicles(IoV)ネットワークにおけるMLの統合により、インテリジェントトランスポートとスマートトラフィック管理が可能になった。
それでも、敵対的攻撃に対するセキュリティもますます難しい課題になりつつある。
特に、Deep Reinforcement Learning (DRL)は、IoVアプリケーションで広く使われているML設計の1つである。
標準のMLセキュリティ技術はDRLでは有効ではなく、アルゴリズムは環境との継続的な相互作用を通じてシーケンシャルな意思決定を学習し、環境は時間変化、動的、モバイルである。
本稿では, Gated Recurrent Unit (GRU) を用いたGFCL (Federated Continuousal Learning) による, IoV の敵攻撃に対する異常検出フレームワークを提案する。
目的は、攻撃サンプルからなる訓練データセットを持たずに、不正な振る舞いを学習し、検出する軽量でスケーラブルなフレームワークを提供することである。
gruを使って将来のデータシーケンスを予測し、連合学習に基づく分散方式で車両の不正行動を分析し検出する。
実世界の車両移動度トレースを用いたフレームワークの性能調査を行った。
その結果,提案手法の有効性が示された。
関連論文リスト
- FedPylot: Navigating Federated Learning for Real-Time Object Detection in Internet of Vehicles [5.803236995616553]
フェデレートラーニングは、車載ネットワークで洗練された機械学習モデルをトレーニングするための有望なソリューションである。
我々は、フェデレーションオブジェクト検出実験をシミュレートする軽量MPIベースのプロトタイプであるFedPylotを紹介する。
本研究は, 精度, 通信コスト, 推論速度に影響を及ぼし, 自動運転車が直面する課題に対するバランスのとれたアプローチを示す。
論文 参考訳（メタデータ） (2024-06-05T20:06:59Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-07T08:58:41Z) - FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。
ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。
FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
論文 参考訳（メタデータ） (2022-09-28T19:49:39Z) - Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。
本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。
我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
論文 参考訳（メタデータ） (2022-09-24T14:22:29Z) - LCCDE: A Decision-Based Ensemble Framework for Intrusion Detection in
The Internet of Vehicles [7.795462813462946]
悪意のあるサイバー攻撃を識別できる侵入検知システム(IDS)が開発されている。
我々は、LCCDE(Lead Class and Confidence Decision Ensemble)という新しいアンサンブルIDSフレームワークを提案する。
LCCDEは、3つの高度なアルゴリズムの中で最高のパフォーマンスのMLモデルを決定することで構成される。
論文 参考訳（メタデータ） (2022-08-05T22:30:34Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。
価値に基づく政策段階の深層強化学習(DRL)について考察する。
また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
論文 参考訳（メタデータ） (2021-12-16T16:53:56Z) - Adversarial Attacks Against Deep Reinforcement Learning Framework in
Internet of Vehicles [4.010371060637208]
我々は、深層強化学習(DRL)支援インターネット・オブ・ビークルズ(IoV)フレームワークに対するシビルベースの敵対的脅威に焦点を当てた。
DRLベースの動的サービス配置アプリケーションに対する異なる攻撃シナリオ下でのサービス遅延とリソース混雑の影響を解析する。
その結果、Sybilベースのデータ中毒攻撃は、敵対的な無健康なネットワークシナリオと比較して、パフォーマンスに大きな影響があることが示されている。
論文 参考訳（メタデータ） (2021-08-02T12:43:52Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳（メタデータ） (2020-06-02T06:32:59Z)
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。