論文の概要: Federated Graph Learning for Low Probability of Detection in Wireless
Ad-Hoc Networks
- arxiv url: http://arxiv.org/abs/2306.01143v1
- Date: Thu, 1 Jun 2023 20:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 17:52:48.101647
- Title: Federated Graph Learning for Low Probability of Detection in Wireless
Ad-Hoc Networks
- Title(参考訳): 無線アドホックネットワークにおける低確率検出のためのフェデレーショングラフ学習
- Authors: Sivaram Krishnan, Jihong Park, Subhash Sagar, Gregory Sherman,
Benjamin Campbell, and Jinho Choi
- Abstract要約: 無線ネットワークのプライバシーとセキュリティを高める手段として,LPD (low probability of detection) が最近登場した。
本稿では,グラフニューラルネットワークに基づくプライバシ保護分散フレームワークについて検討し,無線アドホックネットワーク全体の検出性を最小化する。
- 参考スコア(独自算出の注目度): 36.82926581689718
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low probability of detection (LPD) has recently emerged as a means to enhance
the privacy and security of wireless networks. Unlike existing wireless
security techniques, LPD measures aim to conceal the entire existence of
wireless communication instead of safeguarding the information transmitted from
users. Motivated by LPD communication, in this paper, we study a
privacy-preserving and distributed framework based on graph neural networks to
minimise the detectability of a wireless ad-hoc network as a whole and predict
an optimal communication region for each node in the wireless network, allowing
them to communicate while remaining undetected from external actors. We also
demonstrate the effectiveness of the proposed method in terms of two
performance measures, i.e., mean absolute error and median absolute error.
- Abstract(参考訳): low probability of detection (lpd) は、ワイヤレスネットワークのプライバシーとセキュリティを強化する手段として最近登場した。
既存の無線セキュリティ技術とは異なり、LPD対策は、ユーザから送信された情報を保護するのではなく、無線通信の存在全体を隠蔽することを目的としている。
本稿では,無線アドホックネットワーク全体の検出性を最小化し,無線ネットワークの各ノードに対する最適な通信領域を予測し,外部アクターから検出されていないまま通信できるように,グラフニューラルネットワークに基づくプライバシ保護分散フレームワークについて検討する。
また,提案手法の有効性を,平均絶対誤差と中央値絶対誤差という2つの性能尺度を用いて実証する。
関連論文リスト
- Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-08T13:50:30Z) - Decentralized Learning over Wireless Networks: The Effect of Broadcast
with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。
この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文 参考訳(メタデータ) (2023-05-12T10:32:26Z) - Infectious Probability Analysis on COVID-19 Spreading with Wireless Edge
Networks [15.76060571297478]
本稿では,感染確率の予測について検討し,新型コロナウイルス予防対策を提案する。
記録された留置時間と無線エッジネットワーク内の個体密度から,個人の感染確率を解析するための幾何学的手法を提案する。
その結果,解析結果はシミュレーション結果とよく一致し,提案モデルの有効性が検証された。
論文 参考訳(メタデータ) (2022-10-05T04:26:48Z) - Privacy-Preserving Decentralized Inference with Graph Neural Networks in
Wireless Networks [39.99126905067949]
無線ネットワークにおけるグラフニューラルネットワークによる分散推論のプライバシの解析と強化を行う。
具体的には、ローカルな差分プライバシーを指標として採用し、新しいプライバシー保護シグナルを設計する。
また、このオーバー・ザ・エア技術を採用し、プライバシー保護の利点を理論的に実証する。
論文 参考訳(メタデータ) (2022-08-15T01:33:07Z) - WiFi-based Spatiotemporal Human Action Perception [53.41825941088989]
SNN(End-to-end WiFi signal Neural Network)は、Wi-Fiのみのセンシングを可能にするために提案されている。
特に、3D畳み込みモジュールはWiFi信号の時間的連続性を探索することができ、特徴自己保持モジュールは支配的な特徴を明示的に維持することができる。
論文 参考訳(メタデータ) (2022-06-20T16:03:45Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳(メタデータ) (2022-04-28T23:10:47Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳(メタデータ) (2021-06-15T09:03:28Z) - Distributed Learning in Wireless Networks: Recent Progress and Future
Challenges [170.35951727508225]
次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。
エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。
本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
論文 参考訳(メタデータ) (2021-04-05T20:57:56Z) - 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。