論文の概要: Deep Attention Recognition for Attack Identification in 5G UAV
scenarios: Novel Architecture and End-to-End Evaluation
- arxiv url: http://arxiv.org/abs/2303.12947v1
- Date: Fri, 3 Mar 2023 17:10:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 02:31:23.380973
- Title: Deep Attention Recognition for Attack Identification in 5G UAV
scenarios: Novel Architecture and End-to-End Evaluation
- Title（参考訳）: 5G UAVシナリオにおける攻撃識別のための深い注意認識:新しいアーキテクチャとエンドツーエンド評価
- Authors: Joseanne Viana, Hamed Farkhari, Pedro Sebastiao, Luis Miguel Campos,
Katerina Koutlia, Biljana Bojovic, Sandra Lagen, Rui Dinis
- Abstract要約: 5Gフレームワークに固有の堅牢なセキュリティ機能にもかかわらず、攻撃者は依然として5G無人航空機(UAV)の運用を妨害する方法を見つけるだろう。
我々は,認証されたUAVに埋め込まれた小さなディープネットワークに基づく攻撃を識別するためのソリューションとして,Deep Attention Recognition (DAtR)を提案する。
- 参考スコア（独自算出の注目度）: 3.3253720226707992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the robust security features inherent in the 5G framework, attackers
will still discover ways to disrupt 5G unmanned aerial vehicle (UAV) operations
and decrease UAV control communication performance in Air-to-Ground (A2G)
links. Operating under the assumption that the 5G UAV communications
infrastructure will never be entirely secure, we propose Deep Attention
Recognition (DAtR) as a solution to identify attacks based on a small deep
network embedded in authenticated UAVs. Our proposed solution uses two
observable parameters: the Signal-to-Interference-plus-Noise Ratio (SINR) and
the Reference Signal Received Power (RSSI) to recognize attacks under
Line-of-Sight (LoS), Non-Line-of-Sight (NLoS), and a probabilistic combination
of the two conditions. In the tested scenarios, a number of attackers are
located in random positions, while their power is varied in each simulation.
Moreover, terrestrial users are included in the network to impose additional
complexity on attack detection. To improve the systems overall performance in
the attack scenarios, we propose complementing the deep network decision with
two mechanisms based on data manipulation and majority voting techniques. We
compare several performance parameters in our proposed Deep Network. For
example, the impact of Long Short-Term-Memory (LSTM) and Attention layers in
terms of their overall accuracy, the window size effect, and test the accuracy
when only partial data is available in the training process. Finally, we
benchmark our deep network with six widely used classifiers regarding
classification accuracy. Our algorithms accuracy exceeds 4% compared with the
eXtreme Gradient Boosting (XGB) classifier in LoS condition and around 3% in
the short distance NLoS condition. Considering the proposed deep network, all
other classifiers present lower accuracy than XGB.
- Abstract（参考訳）: 5Gフレームワークに固有の堅牢なセキュリティ機能にもかかわらず、攻撃者は5G無人航空機(UAV)の動作を妨害し、A2G(Air-to-Ground)リンクにおけるUAV制御通信性能を低下させる方法を見つける。
5G UAV通信インフラは完全には安全ではないという前提のもとに,認証されたUAVに埋め込まれた小さなディープネットワークに基づいて攻撃を識別するソリューションとして,Deep Attention Recognition (DAtR)を提案する。
提案手法では,sinr(signal-to-interference-plus-noise ratio)とrssi(referation signal received power)の2つの可観測パラメータを用いて,ライン・オブ・アイズ(los),nlos(non-line-of-sight),および2つの条件の確率的組み合わせによる攻撃を認識する。
テストされたシナリオでは、複数の攻撃者がランダムな位置に配置され、その力はシミュレーションごとに異なる。
さらに、攻撃検出にさらなる複雑さを課すため、地上のユーザはネットワークに含まれる。
攻撃シナリオにおけるシステム全体のパフォーマンスを改善するために,データ操作と多数決手法に基づく2つのメカニズムによるディープネットワーク決定の補完を提案する。
提案したDeep Networkの性能パラメータを比較した。
例えば、Long Short-Term-Memory (LSTM) と Attention レイヤの全体的な精度、ウィンドウサイズ効果、トレーニングプロセスで部分的なデータしか利用できない場合の精度テストなどである。
最後に,分類精度に関する6つの分類器を用いたディープネットワークのベンチマークを行った。
アルゴリズムの精度は,LoS条件のeXtreme Gradient Boosting (XGB)分類器と比較して4%以上,短距離NLoS条件では3%程度である。
提案したディープネットワークを考えると、他の全ての分類器はXGBよりも精度が低い。
関連論文リスト
- Federated Learning for Zero-Day Attack Detection in 5G and Beyond V2X Networks [9.86830550255822]
Connected and Automated Vehicles(CAV)は、5GおよびBeyondネットワーク(5GB)上にあり、セキュリティとプライバシ攻撃のベクトルの増加に対して脆弱である。
本稿では,ネットワークトラフィックパターンのみに依存する攻撃を検知するディープ・オートエンコーダ法を利用した新しい検出機構を提案する。
連合学習を用いて、提案した侵入検知システムは、CAVのプライバシーを維持し、通信オーバーヘッドを最小限に抑えながら、大規模で多様なネットワークトラフィックで訓練することができる。
論文 参考訳（メタデータ） (2024-07-03T12:42:31Z) - 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) - Critical Analysis of 5G Networks Traffic Intrusion using PCA, t-SNE and
UMAP Visualization and Classifying Attacks [0.0]
最近発表された5Gトラフィックデータセットである5G-NIDDを用いて、機械学習とディープラーニングのアプローチを用いて、ネットワークトラフィックの異常を検出する。
相互情報とPCA技術を用いてデータ次元を減少させる。
マイノリティクラスの合成レコードを挿入することで、クラス不均衡を解消する。
論文 参考訳（メタデータ） (2023-12-08T06:43:19Z) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳（メタデータ） (2023-10-10T09:39:38Z) - A Convolutional Attention Based Deep Network Solution for UAV Network
Attack Recognition over Fading Channels and Interference [3.1230069539161405]
本研究は、クラスタ化遅延線(CDL)チャネル上に多重化(OFDM)受信機を備えたUAVの攻撃を検出するためのディープラーニング(DL)アプローチを提供する。
予測アルゴリズムは、訓練中に発生しない攻撃識別に関して一般化可能である。
攻撃認識のタイミング要件に関するより深い調査では、訓練後、攻撃開始後に必要な最低時間は100ミリ秒であることが示されている。
論文 参考訳（メタデータ） (2022-07-16T22:08:12Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Multi-Discriminator Sobolev Defense-GAN Against Adversarial Attacks for
End-to-End Speech Systems [78.5097679815944]
本稿では,最先端音声テキストシステムのためのエンドツーエンド攻撃に対する防御手法を提案する。
まず,短時間フーリエ変換を用いた2次元スペクトルを用いた音声信号の表現を行う。
第二に、スペクトログラム部分空間射影演算を用いて安全ベクトルを反復的に発見する。
第3に,ソボレフ積分確率計量で学習した新しいganアーキテクチャを用いて,このような安全なベクトルを持つスペクトログラムを合成する。
論文 参考訳（メタデータ） (2021-03-15T01:11:13Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Multi-stage Jamming Attacks Detection using Deep Learning Combined with
Kernelized Support Vector Machine in 5G Cloud Radio Access Networks [17.2528983535773]
本研究は5G C-RANにML-IDS(Multi-stage Machine Learning-based Intrusion Detection)を配置することに焦点を当てる。
一定のジャミング、ランダムジャミング、ジャミング、リアクティブジャミングの4種類のジャミング攻撃を検出し、分類することができる。
最終分類精度は94.51%で、偽陰性率は7.84%である。
論文 参考訳（メタデータ） (2020-04-13T17:21:45Z)
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。