論文の概要: Recurrent Neural Network-based Anti-jamming Framework for Defense
Against Multiple Jamming Policies
- arxiv url: http://arxiv.org/abs/2208.09518v1
- Date: Fri, 19 Aug 2022 19:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:40:14.537447
- Title: Recurrent Neural Network-based Anti-jamming Framework for Defense
Against Multiple Jamming Policies
- Title(参考訳): 複数のジャミング対策のための繰り返しニューラルネットワークによるアンチジャミングフレームワーク
- Authors: Ali Pourranjbar, Georges Kaddoum, and Walid Saad
- Abstract要約: 本稿では,現在のジャミング攻撃に対処するアンチ・ジャミング法を提案する。
単一および複数のジャマーシナリオにおいて、ユーザとジャマー間の相互作用は、リカレントニューラルネットワーク(RNN)を使用してモデル化される。
- 参考スコア(独自算出の注目度): 77.53658708277409
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional anti-jamming methods mainly focus on preventing single jammer
attacks with an invariant jamming policy or jamming attacks from multiple
jammers with similar jamming policies. These anti-jamming methods are
ineffective against a single jammer following several different jamming
policies or multiple jammers with distinct policies. Therefore, this paper
proposes an anti-jamming method that can adapt its policy to the current
jamming attack. Moreover, for the multiple jammers scenario, an anti-jamming
method that estimates the future occupied channels using the jammers' occupied
channels in previous time slots is proposed. In both single and multiple
jammers scenarios, the interaction between the users and jammers is modeled
using recurrent neural networks (RNN)s. The performance of the proposed
anti-jamming methods is evaluated by calculating the users' successful
transmission rate (STR) and ergodic rate (ER), and compared to a baseline based
on Q-learning (DQL). Simulation results show that for the single jammer
scenario, all the considered jamming policies are perfectly detected and high
STR and ER are maintained. Moreover, when 70 % of the spectrum is under jamming
attacks from multiple jammers, the proposed method achieves an STR and ER
greater than 75 % and 80 %, respectively. These values rise to 90 % when 30 %
of the spectrum is under jamming attacks. In addition, the proposed
anti-jamming methods significantly outperform the DQL method for all the
considered cases and jamming scenarios.
- Abstract(参考訳): 従来のジャミング法は主に、不変のジャミングポリシーによる単一ジャミングアタックの防止や、同様のジャミングポリシを持つ複数のジャミングアタックの妨害に重点を置いている。
これらのアンチジャミング法は、複数の異なるジャミングポリシーまたは異なるポリシーを持つ複数のジャミングポリシーに従って、1つのジャミングに対して効果がない。
そこで本稿では,現行のジャミング攻撃に対処可能なアンチジャミング手法を提案する。
また,マルチジャマーシナリオでは,前回のスロットでジャマーの占有チャネルを用いて将来の占有チャネルを推定するアンチジャミング手法が提案されている。
単一および複数のジャマーシナリオにおいて、ユーザとジャマー間のインタラクションは、recurrent neural networks (rnn)を使用してモデル化される。
提案手法の性能は,ユーザの送信率(STR)とエルゴディックレート(ER)を算出し,Q-learning(DQL)に基づくベースラインと比較することにより評価した。
シミュレーションの結果、単一のジャムマーシナリオでは、すべてのジャムポリシーが完全に検出され、高いSTRとERが維持されることが示された。
さらに、スペクトルの70%が複数のジャマーからの攻撃を受けている場合、提案手法は、それぞれ75%および80%以上のSTRとERを達成する。
これらの値は、スペクトルの30%が妨害攻撃を受けているときに90%まで上昇する。
さらに、提案手法は、考慮されたすべてのケースとジャミングシナリオにおいて、DQLメソッドよりも大幅に優れている。
関連論文リスト
- Robust Network Slicing: Multi-Agent Policies, Adversarial Attacks, and
Defensive Strategies [11.308544280789016]
本稿では,複数の基地局とユーザを持つ動的環境下でのネットワークスライシングのためのマルチエージェント深層強化学習フレームワークを提案する。
プリミティブな事前情報と限られた電力予算を備えた深部RLベースのジャマを開発する。
提案手法は,ネットワークスライシングポリシーに関する直接的なフィードバックや事前知識を必要とせずに,被害者のパフォーマンスを著しく低減できることを示す。
論文 参考訳(メタデータ) (2023-11-19T03:07:29Z) - Generalizable Black-Box Adversarial Attack with Meta Learning [54.196613395045595]
ブラックボックス攻撃では、ターゲットモデルのパラメータが不明であり、攻撃者はクエリのフィードバックに基づいて、クエリの予算に基づいて摂動を成功させることを目指している。
本稿では,実例レベルの逆転可能性という,過去の攻撃に対するフィードバック情報を活用することを提案する。
この2種類の逆転送性を持つフレームワークは,市販のクエリベースのアタック手法と自然に組み合わせて性能を向上させることができる。
論文 参考訳(メタデータ) (2023-01-01T07:24:12Z) - Query Efficient Cross-Dataset Transferable Black-Box Attack on Action
Recognition [99.29804193431823]
ブラックボックスの敵攻撃は、行動認識システムに現実的な脅威をもたらす。
本稿では,摂動を発生させることにより,これらの欠点に対処する新たな行動認識攻撃を提案する。
提案手法は,最先端のクエリベースおよび転送ベース攻撃と比較して,8%,12%の偽装率を達成する。
論文 参考訳(メタデータ) (2022-11-23T17:47:49Z) - 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) - A Hybrid Defense Method against Adversarial Attacks on Traffic Sign
Classifiers in Autonomous Vehicles [4.585587646404074]
敵対的攻撃は、ディープニューラルネットワーク(DNN)モデルに、自動運転車(AV)の誤った出力ラベルを予測させる。
本研究では,ハイブリッドディフェンス方式を用いたAV用レジリエントトラフィックサイン分類器を開発した。
本手法は, 攻撃シナリオの平均交通標識分類精度が99%, 攻撃シナリオの平均交通標識分類精度が88%であることを示す。
論文 参考訳(メタデータ) (2022-04-25T02:13:31Z) - Jamming Pattern Recognition over Multi-Channel Networks: A Deep Learning
Approach [88.72160601701937]
インテリジェント・ジャムマーは、正統ノードによって追跡される確率を最小限に抑えるためにポリシーを変更することができる。
既存のジャミング法は、主に、不変なジャミングポリシーによるジャミング攻撃の軽減に焦点を当てているため、適用できない。
本稿では,ジャミング型認識技術とアンチジャミング手法を併用したジャミング型認識手法を提案する。
論文 参考訳(メタデータ) (2021-12-19T04:29:23Z) - Reinforcement Learning for Deceiving Reactive Jammers in Wireless
Networks [76.82565500647323]
投石機を標的チャネルに攻撃させるという考え方に基づいて, 新規な投石防止戦略を提案する。
ジャマーのチャネル情報はユーザには知られていないため、最適なチャネル選択スキームとサブ最適電力割当が提案されている。
シミュレーションの結果,提案手法は,比較したrlベース抗ジャミング法とランダム探索法よりも優れていた。
論文 参考訳(メタデータ) (2021-03-25T18:12:41Z)
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。