論文の概要: Secure Deep-JSCC Against Multiple Eavesdroppers
- arxiv url: http://arxiv.org/abs/2308.02892v1
- Date: Sat, 5 Aug 2023 14:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 18:10:09.088288
- Title: Secure Deep-JSCC Against Multiple Eavesdroppers
- Title（参考訳）: 複数の盗聴者に対して安全なディープJSCC
- Authors: Seyyed Amirhossein Ameli Kalkhoran, Mehdi Letafati, Ecenaz Erdemir,
Babak Hossein Khalaj, Hamid Behroozi, and Deniz G\"und\"uz
- Abstract要約: 本稿では,複数の盗聴者に対してセキュアなコミュニケーションを実現するためのエンド・ツー・エンド(E2E)学習手法を提案する。
我々は,データ駆動型セキュア通信方式を実現するために,ディープニューラルネットワーク(DNN)を実装した。
実験の結果,セキュアなニューラルエンコーディングを用いることで,対向精度を28%低下させることができることがわかった。
- 参考スコア（独自算出の注目度）: 13.422085141752468
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, a generalization of deep learning-aided joint source channel
coding (Deep-JSCC) approach to secure communications is studied. We propose an
end-to-end (E2E) learning-based approach for secure communication against
multiple eavesdroppers over complex-valued fading channels. Both scenarios of
colluding and non-colluding eavesdroppers are studied. For the colluding
strategy, eavesdroppers share their logits to collaboratively infer private
attributes based on ensemble learning method, while for the non-colluding setup
they act alone. The goal is to prevent eavesdroppers from inferring private
(sensitive) information about the transmitted images, while delivering the
images to a legitimate receiver with minimum distortion. By generalizing the
ideas of privacy funnel and wiretap channel coding, the trade-off between the
image recovery at the legitimate node and the information leakage to the
eavesdroppers is characterized. To solve this secrecy funnel framework, we
implement deep neural networks (DNNs) to realize a data-driven secure
communication scheme, without relying on a specific data distribution.
Simulations over CIFAR-10 dataset verifies the secrecy-utility trade-off.
Adversarial accuracy of eavesdroppers are also studied over Rayleigh fading,
Nakagami-m, and AWGN channels to verify the generalization of the proposed
scheme. Our experiments show that employing the proposed secure neural encoding
can decrease the adversarial accuracy by 28%.
- Abstract（参考訳）: 本稿では,セキュア通信のための深層学習支援ジョイントソースチャネル符号化(Deep-JSCC)手法の一般化について述べる。
本稿では,複数の盗聴者に対して複雑なフェージングチャネル上でセキュアな通信を行うためのエンドツーエンド(e2e)学習ベースアプローチを提案する。
溶出と非溶出の双方のシナリオについて検討した。
コルーディング戦略では、eavesdroppersはロジットを共有して、アンサンブル学習法に基づく個人属性を共同推論し、非コルーディング設定では単独で行動する。
目的は、送信された画像のプライベートな(センシティブな)情報を盗聴者が推測することを防ぐと同時に、画像が最小限の歪みで正規の受信者に届けることである。
プライバシファンネルとワイヤタップチャネル符号化の考え方を一般化することにより、正規ノードにおける画像回復と盗聴者への情報漏洩とのトレードオフを特徴付ける。
この秘密ファンネルフレームワークを解決するために,我々はディープニューラルネットワーク(dnn)を実装し,特定のデータ分散に頼らずに,データ駆動型セキュアな通信方式を実現する。
CIFAR-10データセット上のシミュレーションは機密効用トレードオフを検証する。
提案手法の一般化を検証するため,Rayleigh fading, Nakagami-m, AWGN チャネルの逆精度も検討した。
提案するセキュアなニューラルエンコーディングを用いることで,敵の精度を28%低下させることができる。
関連論文リスト
- Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。
抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。
本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
論文 参考訳（メタデータ） (2024-10-25T18:11:02Z) - Physical Layer Deception with Non-Orthogonal Multiplexing [52.11755709248891]
本稿では,ワイヤタッピングの試みに積極的に対処する物理層騙し(PLD)の枠組みを提案する。
PLDはPLSと偽装技術を組み合わせることで、積極的に盗聴の試みに対処する。
本研究では,PLDフレームワークの有効性を詳細な分析で証明し,従来のPLS手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-06-30T16:17:39Z) - Semantics Alignment via Split Learning for Resilient Multi-User Semantic
Communication [56.54422521327698]
最近の意味コミュニケーションの研究は、ディープジョイントソースやチャネルコーディング(DeepJSCC)のようなニューラルネットワーク(NN)ベースのトランシーバに依存している。
従来のトランシーバとは異なり、これらのニューラルトランシーバは実際のソースデータとチャネルを使用してトレーニング可能であり、セマンティクスを抽出し通信することができる。
本稿では,分割学習(SL)と部分的NN微調整技術を活用する分散学習ベースソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-13T20:29:55Z) - Disentangled Information Bottleneck guided Privacy-Protective JSCC for Image Transmission [27.929075969353764]
ジョイントソースとチャネルコーディング(JSCC)は、その堅牢性と高い効率性から注目を集めている。
本稿では,画像伝送のためのプライバシ保護型 JSCC (DIB-PPJSCC) を提案する。
我々は、送信前のプライベートサブコードワードを暗号化する秘密情報暗号化装置と、対応する復号器を用いて、正統な受信者のプライベート情報を復元する。
論文 参考訳（メタデータ） (2023-09-19T02:37:53Z) - Privacy-Aware Joint Source-Channel Coding for image transmission based on Disentangled Information Bottleneck [27.929075969353764]
現在のプライバシを意識したジョイントソースチャネル符号化(JSCC)は、J SCCエンコーダとデコーダを敵対的に訓練することで、プライベート情報伝送を回避することを目的としている。
不整合情報ボトルネック(DIB-PAJSCC)に基づく新しいプライバシ対応J SCCを提案する。
また,DIB-PAJSCCは,従来の手法と比較して,プライベート情報の盗聴精度を最大20%低減できることを示した。
論文 参考訳（メタデータ） (2023-09-15T06:34:22Z) - Open-set Adversarial Defense with Clean-Adversarial Mutual Learning [93.25058425356694]
本稿では, オープンセット認識システムは, 対向サンプルに対して脆弱であることを示す。
これらの観測により,我々はオープンセット・ディフェンス(OSAD)機構の必要性を強調した。
本稿では,OSAD問題に対する解決策として,OSDN-CAML(Create-Adversarial Mutual Learning)を用いたオープンセット防衛ネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-12T02:13:55Z) - Privacy-Aware Communication Over the Wiretap Channel with Generative
Networks [34.6578234382717]
エンド・ツー・エンド・ラーニング(エンド・ツー・エンド・ラーニング)を用いて,ワイアタップ・チャネル上でのプライバシ・アウェア・コミュニケーションについて検討する。
可変オートエンコーダ (VAE) を用いたジョイントソースチャネル符号化 (JSCC) を用いたデータ駆動方式を提案する。
論文 参考訳（メタデータ） (2021-10-08T12:47:24Z) - Communication-Computation Efficient Secure Aggregation for Federated
Learning [23.924656276456503]
フェデレーションラーニングは、ノードがデータを共有せずに、複数のノードに分散したデータを使用してニューラルネットワークを訓練する方法です。
セキュアアグリゲーションプリミティブに基づく最近のソリューションでは,プライバシ保護型のフェデレーション学習が可能だったが,通信/計算リソースが大幅に増加した。
通信・計算資源の量を大幅に削減する通信・計算効率のよいセキュアアグリゲーションを提案する。
論文 参考訳（メタデータ） (2020-12-10T03:17:50Z) - Open-set Adversarial Defense [93.25058425356694]
オープンセット認識システムは敵攻撃に対して脆弱であることを示す。
本研究の目的は,OSAD(Open-Set Adrial Defense, Open-Set Adrial Defense)機構の必要性である。
本稿はOSAD問題に対する解決策として,OSDN(Open-Set Defense Network)を提案する。
論文 参考訳（メタデータ） (2020-09-02T04:35:33Z) - FedSKETCH: Communication-Efficient and Private Federated Learning via
Sketching [33.54413645276686]
コミュニケーションの複雑さとプライバシは、フェデレートラーニングにおける2つの重要な課題である。
我々はFedSKETCHとFedSKETCHGATEアルゴリズムを導入し、Federated Learningにおける両方の課題に共同で対処する。
論文 参考訳（メタデータ） (2020-08-11T19:22:48Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z)
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。