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
- AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。
我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。
また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
論文 参考訳(メタデータ) (2024-08-04T09:53:50Z) - Self-Evaluation as a Defense Against Adversarial Attacks on LLMs [20.79833694266861]
自己評価を生かした LLM に対する敵攻撃に対する防御策を導入する。
本手法では, モデル微調整を必要とせず, 生成モデルの入力と出力を評価するために, 事前学習モデルを用いる。
提案手法の有効性を解析し, 各種設定で評価器を攻撃しようとする試みを含む。
論文 参考訳(メタデータ) (2024-07-03T16:03:42Z) - Improved Generation of Adversarial Examples Against Safety-aligned LLMs [72.38072942860309]
勾配に基づく手法を用いて生成した敵対的プロンプトは、安全対応のLDMに対して自動ジェイルブレイク攻撃を行う際、優れた性能を示す。
本稿では,この問題に対する新たな視点を探求し,トランスファーベースの攻撃にインスパイアされたイノベーションを活用することで緩和できることを示唆する。
この組み合わせによって生成されたクエリ固有逆接接尾辞の87%がLlama-2-7B-Chatを誘導し、AdvBench上のターゲット文字列と正確に一致する出力を生成することを示した。
論文 参考訳(メタデータ) (2024-05-28T06:10:12Z) - 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) - 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) - 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。