論文の概要: Seeing is Believing: A Federated Learning Based Prototype to Detect Wireless Injection Attacks

• arxiv url: http://arxiv.org/abs/2311.06564v1
• Date: Sat, 11 Nov 2023 13:21:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 23:32:03.964267
• Title: Seeing is Believing: A Federated Learning Based Prototype to Detect Wireless Injection Attacks
• Title（参考訳）: ワイヤレスインジェクション攻撃を検知するフェデレートラーニングベースのプロトタイプ「Seeing is Believing」
• Authors: Aadil Hussain, Nitheesh Gundapu, Sarang Drugkar, Suraj Kiran, J. Harshan, Ranjitha Prasad,
• Abstract要約: リアクティブインジェクション攻撃(Reactive Injection attack)は、無線ネットワークにおけるセキュリティ脅威の一種である。 シークレットキーに基づく物理層シグナリング手法をクライアントに実装する。 ベースステーションでロバストなMLモデルを設計可能であることを示す。
• 参考スコア（独自算出の注目度）: 1.8142288667655782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reactive injection attacks are a class of security threats in wireless networks wherein adversaries opportunistically inject spoofing packets in the frequency band of a client thereby forcing the base-station to deploy impersonation-detection methods. Towards circumventing such threats, we implement secret-key based physical-layer signalling methods at the clients which allow the base-stations to deploy machine learning (ML) models on their in-phase and quadrature samples at the baseband for attack detection. Using Adalm Pluto based software defined radios to implement the secret-key based signalling methods, we show that robust ML models can be designed at the base-stations. However, we also point out that, in practice, insufficient availability of training datasets at the base-stations can make these methods ineffective. Thus, we use a federated learning framework in the backhaul network, wherein a group of base-stations that need to protect their clients against reactive injection threats collaborate to refine their ML models by ensuring privacy on their datasets. Using a network of XBee devices to implement the backhaul network, experimental results on our federated learning setup shows significant enhancements in the detection accuracy, thus presenting wireless security as an excellent use-case for federated learning in 6G networks and beyond.
• Abstract（参考訳）: リアクティブ・インジェクション・アタック(Reactive Injection attack)は、無線ネットワークにおけるセキュリティ上の脅威の一種で、敵がクライアントの周波数帯域にスプーフィングパケットを同時に注入することで、ベースステーションに偽装検出方法の展開を強制する。 このような脅威を回避するために、我々は、ベースステーションがベースバンド内の機械学習モデル(ML)を配置し、攻撃検出のためにベースバンドに二次的なサンプルを配置できるように、シークレットキーベースの物理層信号処理手法をクライアントに実装する。 Adalm Pluto ベースのソフトウェア定義無線を用いて秘密鍵ベースのシグナリング手法を実装し,基地局でロバストMLモデルを設計可能であることを示す。 しかし、実際には、ベースステーションでのトレーニングデータセットの入手が不十分なため、これらの手法を効果的に利用できないことが指摘されている。 これにより、クライアントをリアクティブなインジェクション脅威から保護する必要のあるベースステーションのグループは、データセットのプライバシを確保することで、MLモデルを洗練するために協力します。 バックホールネットワークを実装するために,XBee機器のネットワークを用いて,フェデレート学習装置の実験結果から,検出精度が大幅に向上し,無線セキュリティが6Gネットワーク以降におけるフェデレーション学習の優れたユースケースとして提示される。

関連論文リスト

• False Data Injection Attack Detection in Edge-based Smart Metering Networks with Federated Learning [1.2026018242953707]
  本稿では、効率的なフェデレート学習フレームワークを開発することにより、新たなプライバシ保存型偽データ注入(FDI)攻撃検出を提案する。 ネットワークエッジに位置する分散エッジサーバは、MLベースのFDI攻撃検出モデルを実行し、トレーニングされたモデルをグリッドオペレータと共有する。
  論文  参考訳（メタデータ） (2024-11-02T17:23:08Z)
• 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)
• 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)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• FedDefender: Client-Side Attack-Tolerant Federated Learning [60.576073964874]
  フェデレーション学習は、プライバシを損なうことなく、分散化されたデータソースからの学習を可能にする。 悪意のあるクライアントがトレーニングプロセスに干渉する、毒殺攻撃のモデル化には脆弱である。 我々はFedDefenderと呼ばれるクライアントサイドに焦点を当てた新しい防御機構を提案し、クライアントの堅牢なローカルモデルのトレーニングを支援する。
  論文  参考訳（メタデータ） (2023-07-18T08:00:41Z)
• Federated Learning Based Distributed Localization of False Data Injection Attacks on Smart Grids [5.705281336771011]
  偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。 本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。 提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
  論文  参考訳（メタデータ） (2023-06-17T20:29:55Z)
• An anomaly detection approach for backdoored neural networks: face recognition as a case study [77.92020418343022]
  本稿では,異常検出の原理に基づく新しいバックドアネットワーク検出手法を提案する。 バックドアネットワークの新たなデータセット上で本手法を検証し,完全スコアで検出可能性について報告する。
  論文  参考訳（メタデータ） (2022-08-22T12:14:13Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
  本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。 我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。 ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
  論文  参考訳（メタデータ） (2021-06-03T16:45:40Z)
• Active Fuzzing for Testing and Securing Cyber-Physical Systems [8.228859318969082]
  パケットレベルのCPSネットワーク攻撃のテストスイートを見つけるための,能動ファジィングを提案する。 私たちのソリューションの鍵は、ペイロードをサンプリングすることでモデルを反復的に更新するオンラインアクティブラーニングを使用することです。 本研究は,水浄化プラントテストベッドに実装した活性ファジィングの有効性を評価し,フロー,プレッシャ,オーバー/アンダーフロー攻撃の試験スイートを自動的に検出できることを見出した。
  論文  参考訳（メタデータ） (2020-05-28T16:19:50Z)
• 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。