論文の概要: Data-driven classification of low-power communication signals by an unauthenticated user using a software-defined radio

• arxiv url: http://arxiv.org/abs/2309.04088v1
• Date: Fri, 8 Sep 2023 02:57:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-11 16:15:56.296890
• Title: Data-driven classification of low-power communication signals by an unauthenticated user using a software-defined radio
• Title（参考訳）: ソフトウェア定義無線を用いた非認証ユーザによる低消費電力通信信号のデータ駆動分類
• Authors: Tarun Rao Keshabhoina and Marcos M. Vasconcelos
• Abstract要約: LoRaとして知られる広く普及している低消費電力通信プロトコルは、不正な攻撃者によるサービス拒否攻撃に脆弱である、と我々は主張する。 本稿では,2つの未知パラメータをニューラルネットワークを用いて効率的に実装可能な分類問題と共同推論する問題を関連づける。
• 参考スコア（独自算出の注目度）: 2.3931689873603603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many large-scale distributed multi-agent systems exchange information over low-power communication networks. In particular, agents intermittently communicate state and control signals in robotic network applications, often with limited power over an unlicensed spectrum, prone to eavesdropping and denial-of-service attacks. In this paper, we argue that a widely popular low-power communication protocol known as LoRa is vulnerable to denial-of-service attacks by an unauthenticated attacker if it can successfully identify a target signal's bandwidth and spreading factor. Leveraging a structural pattern in the LoRa signal's instantaneous frequency representation, we relate the problem of jointly inferring the two unknown parameters to a classification problem, which can be efficiently implemented using neural networks.
• Abstract（参考訳）: 多くの大規模分散マルチエージェントシステムは、低電力通信ネットワーク上で情報を交換する。 特に、エージェントはロボットネットワークアプリケーションにおける状態と制御信号を断続的に通信し、しばしば許可されていないスペクトル上で限られた電力で通信する。 本稿では,LoRaと呼ばれる広範に普及している低消費電力通信プロトコルが,ターゲット信号の帯域幅と拡散係数の特定に成功すれば,不正攻撃によるDoS攻撃に対して脆弱である,と論じる。 LoRa信号の瞬時周波数表現における構造パターンを活用することで、2つの未知パラメータを協調的に推定する問題をニューラルネットワークを用いて効率的に実装できる分類問題に関連付ける。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals [9.99212997328053]
  本稿では,Vector-Quantized Variational Autoencoder (VQ-VAE) を用いたトレーニングデータの拡張を提案する。 VQ-VAEモデルは高忠実な合成RF信号を生成し、トレーニングデータセットの多様性と忠実度を高める。 実験結果から,VQ-VAE生成データの導入により,ベースラインモデルの分類精度が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-23T21:17:45Z)
• Federated Learning in Wireless Networks via Over-the-Air Computations [0.0]
  マルチエージェントシステムでは、エージェントは推定モデルパラメータを交換することで、データからモデルを協調的に学習することができる。 この戦略は、しばしばフェデレートラーニングと呼ばれ、主に2つの理由から採用されている: (i) 潜在的に大きなデータセットを共有することを避けて、リソース効率を改善すること(ii) ローカルエージェントのデータプライバシーを保証すること。 オーバー・ザ・エア・コンピュテーション(Over-the-Air Computation)と呼ばれる5Gを超える通信戦略を採用することで、効率をさらに向上させることができる。
  論文  参考訳（メタデータ） (2023-05-08T11:12:22Z)
• Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
  NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。 無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。 エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
  論文  参考訳（メタデータ） (2022-12-19T17:54:36Z)
• Spoofing Attack Detection in the Physical Layer with Commutative Neural Networks [21.6399273864521]
  スプーフィング攻撃では、攻撃者は正統なユーザに対して、正統なユーザを意図したデータにアクセスまたは改ざんするよう命令する。 既存のスキームは長期の見積もりに依存しており、正統なユーザの動きと偽造を区別することは困難である。 この制限は、短期的なRSSベクトル推定のペアの分布を暗黙的に学習するディープニューラルネットワークによって対処される。
  論文  参考訳（メタデータ） (2022-11-08T14:20:58Z)
• FGAN: Federated Generative Adversarial Networks for Anomaly Detection in Network Traffic [0.0]
  本研究の目的は、そのような規模と容量のネットワークにおいて、フェデレートされたアーキテクチャでGANを使用することによって、2つの問題に取り組むことである。 これらのモデルをトレーニングするために必要なデータセットは、中央で利用でき、一般公開されなければならない。 このような設定で、ネットワークの異なるユーザーは、頻繁に直面する状況に応じて、中央で利用可能な敵モデルをトレーニングし、カスタマイズすることができる。
  論文  参考訳（メタデータ） (2022-03-21T16:32:44Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Communication-Efficient Split Learning Based on Analog Communication and Over the Air Aggregation [48.150466900765316]
  スプリットラーニング(SL)は、その固有のプライバシー保護機能と、限られた計算能力を持つデバイスに対する協調推論を可能にする能力により、最近人気を集めている。 標準SLアルゴリズムは、理想的なデジタル通信システムを想定し、通信帯域不足の問題を無視している。 本稿では,エージェント側で追加層を導入し,重みとバイアスの選択を制約し,空気の凝集を確実にするための新しいSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-02T07:49:41Z)
• Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network [62.77129284830945]
  本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。 我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-01-28T16:18:19Z)
• Adversarial Attacks On Multi-Agent Communication [80.4392160849506]
  現代の自律システムはすぐに大規模に展開され、協調型マルチエージェントシステムの可能性を広げる。 このような利点は、セキュリティ侵害に対して脆弱であることが示されている通信チャネルに大きく依存している。 本稿では,エージェントが学習した中間表現を共有してコミュニケーションする新しいマルチエージェント環境において,このような攻撃を探索する。
  論文  参考訳（メタデータ） (2021-01-17T00:35:26Z)
• Distributed Learning in Ad-Hoc Networks: A Multi-player Multi-armed Bandit Framework [0.0]
  次世代ネットワークは超高密度で、ピークレートは非常に高いが、ユーザ当たりのトラフィックは比較的低いと期待されている。 この問題を解決するために、他のネットワークとスペクトルを共有する認知アドホックネットワーク(CAHN)が構想されている。 本稿では,最先端のマルチアーム・マルチプレイヤー・バンディットに基づく分散学習アルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2020-03-06T18:11:47Z)

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。