論文の概要: Magmaw: Modality-Agnostic Adversarial Attacks on Machine Learning-Based Wireless Communication Systems

• arxiv url: http://arxiv.org/abs/2311.00207v3
• Date: Thu, 21 Nov 2024 07:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:16:31.435969
• Title: Magmaw: Modality-Agnostic Adversarial Attacks on Machine Learning-Based Wireless Communication Systems
• Title（参考訳）: Magmaw: 機械学習ベースの無線通信システムにおけるモダリティ非依存の敵攻撃
• Authors: Jung-Woo Chang, Ke Sun, Nasimeh Heydaribeni, Seira Hidano, Xinyu Zhang, Farinaz Koushanfar,
• Abstract要約: Magmawは、無線チャネルを介して送信される任意のマルチモーダル信号に対して、普遍的な逆方向の摂動を発生させる新しい無線攻撃手法である。 我々は,マグモが強力な防御機構が存在する場合でも,優れた性能低下を引き起こすことを示した。
• 参考スコア（独自算出の注目度）: 21.878711118514342
• License:
• Abstract: Machine Learning (ML) has been instrumental in enabling joint transceiver optimization by merging all physical layer blocks of the end-to-end wireless communication systems. Although there have been a number of adversarial attacks on ML-based wireless systems, the existing methods do not provide a comprehensive view including multi-modality of the source data, common physical layer protocols, and wireless domain constraints. This paper proposes Magmaw, a novel wireless attack methodology capable of generating universal adversarial perturbations for any multimodal signal transmitted over a wireless channel. We further introduce new objectives for adversarial attacks on downstream applications. We adopt the widely-used defenses to verify the resilience of Magmaw. For proof-of-concept evaluation, we build a real-time wireless attack platform using a software-defined radio system. Experimental results demonstrate that Magmaw causes significant performance degradation even in the presence of strong defense mechanisms. Furthermore, we validate the performance of Magmaw in two case studies: encrypted communication channel and channel modality-based ML model.
• Abstract（参考訳）: 機械学習(ML)は、エンド・ツー・エンドの無線通信システムのすべての物理層ブロックをマージすることで、ジョイント・トランシーバの最適化を可能にする。 MLベースの無線システムに対する多くの敵攻撃があったが、既存の手法では、ソースデータのマルチモーダル性、共通物理層プロトコル、無線領域制約を含む包括的なビューを提供していない。 本稿では,無線チャネルを介して送信される任意のマルチモーダル信号に対して,普遍的対角摂動を発生させる新しい無線攻撃手法であるMagmawを提案する。 また、下流アプリケーションに対する敵攻撃の新たな目的についても紹介する。 我々はマグモーの弾力性を検証するために広く使われている防衛法を採用する。 概念実証のために,ソフトウェア定義無線システムを用いたリアルタイム無線攻撃プラットフォームを構築した。 実験結果から,マグモは強力な防御機構が存在する場合でも,大きな性能劣化を引き起こすことが明らかとなった。 さらに,Magmawの性能を,暗号化通信チャネルとチャネルモダリティに基づくMLモデルという2つのケーススタディで検証した。

関連論文リスト

• OFDM-based JCAS under Attack: The Dual Threat of Spoofing and Jamming in WLAN Sensing [16.63099126704722]
  本研究では,JCASの範囲内での無線地域ネットワーク(WLAN)の脆弱性を明らかにする。 本稿では,信号整合性を変化させることで,擬似ジャマーがレンジ・ドップラーマップ(RDM)を操作可能であることを示す。 本研究は, 複雑度と検出性に異なるジャミング戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-12T12:41:17Z)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• 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)
• 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)
• 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)
• Distributed Machine Learning for Wireless Communication Networks: Techniques, Architectures, and Applications [1.647426214278143]
  分散機械学習(DML)技術は、無線通信にますます応用されている。 大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。 この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-12-02T19:53:32Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• When Wireless Security Meets Machine Learning: Motivation, Challenges, and Research Directions [14.040811989589741]
  無線システムは、無線媒体の共有やブロードキャストの性質のため、ジャミングや盗聴などの様々な攻撃に対して脆弱である。 攻撃戦略と防御戦略の両方をサポートするため、機械学習(ML)は、無線通信特性から学習し、適応するための自動化された手段を提供する。 本稿では,MLと無線セキュリティを橋渡しする研究のモチベーション,背景,範囲について論じる。
  論文  参考訳（メタデータ） (2020-01-24T05:07:39Z)

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。