Fugu-MT 論文翻訳(概要): Attacks Against Mobility Prediction in 5G Networks

論文の概要: Attacks Against Mobility Prediction in 5G Networks

arxiv url: http://arxiv.org/abs/2402.19319v1
Date: Thu, 29 Feb 2024 16:24:19 GMT
ステータス: 処理完了
システム内更新日: 2024-03-01 13:53:51.093988
Title: Attacks Against Mobility Prediction in 5G Networks
Title（参考訳）: 5Gネットワークにおけるモビリティ予測に対する攻撃
Authors: Syafiq Al Atiiq, Yachao Yuan, Christian Gehrmann, Jakob Sternby, Luis Barriga
Abstract要約: これらの予測の精度を損なう可能性のあるモビリティ攻撃が存在することを示す。 1万人規模の半現実的なシナリオでは、携帯端末を乗っ取る能力を備えた敵が、予測精度を75%から40%に大幅に低下させることを示した。防御機構は特定の領域における攻撃と移動タイプに大きく依存するが,基本的KMeansクラスタリングは正反対のUEを識別するのに有効であることを示す。
参考スコア（独自算出の注目度）: 2.1374208474242815
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The $5^{th}$ generation of mobile networks introduces a new Network Function (NF) that was not present in previous generations, namely the Network Data Analytics Function (NWDAF). Its primary objective is to provide advanced analytics services to various entities within the network and also towards external application services in the 5G ecosystem. One of the key use cases of NWDAF is mobility trajectory prediction, which aims to accurately support efficient mobility management of User Equipment (UE) in the network by allocating ``just in time'' necessary network resources. In this paper, we show that there are potential mobility attacks that can compromise the accuracy of these predictions. In a semi-realistic scenario with 10,000 subscribers, we demonstrate that an adversary equipped with the ability to hijack cellular mobile devices and clone them can significantly reduce the prediction accuracy from 75\% to 40\% using just 100 adversarial UEs. While a defense mechanism largely depends on the attack and the mobility types in a particular area, we prove that a basic KMeans clustering is effective in distinguishing legitimate and adversarial UEs.
Abstract（参考訳）: モバイルネットワークの5.^{th}$世代には、前世代には存在していなかった新しいネットワーク機能(nf)、すなわちネットワークデータ分析機能(nwdaf)が導入されている。その主な目的は、ネットワーク内のさまざまなエンティティや、5gエコシステム内の外部アプリケーションサービスに対して、高度な分析サービスを提供することである。 NWDAFの重要なユースケースの1つはモビリティ・トラジェクトリー予測であり、これはネットワーク上でのユーザ機器(UE)の効率的なモビリティ管理を 'just in time' に必要なネットワークリソースを割り当てることによって正確に支援することを目的としている。本稿では,これらの予測の精度を損なう可能性のあるモビリティ攻撃が存在することを示す。 1万のサブスクライバを持つ半現実的なシナリオでは、携帯端末をハイジャックしてクローンする能力を備えた敵は、わずか100のuesを使用して予測精度を75\%から40\%に大幅に低下させることができる。防御機構は特定の領域における攻撃と移動タイプに大きく依存するが,基本的KMeansクラスタリングは正反対のUEを識別するのに有効であることを示す。

関連論文リスト

FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
LightningNet: Distributed Graph-based Cellular Network Performance Forecasting for the Edge [7.078791178325328]
セルラーネットワークの性能を予測するための軽量分散グラフベースのフレームワークLightningNetを提案する。私たちのアーキテクチャイデオロギーは、IoTとエッジデバイスをサポートするように設計されています。
論文参考訳（メタデータ） (2024-02-08T21:56:43Z)
Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文参考訳（メタデータ） (2022-08-17T03:00:24Z)
Cybersecurity Threats in Connected and Automated Vehicles based Federated Learning Systems [7.979659145328856]
Federated Learning(FL)は、ローカルデータをプライベートに保持する分散型エンティティにまたがるアルゴリズムのトレーニングを目的とする。ほとんどのサイバー防御技術は、信頼性の高い接続ネットワークに依存します。本稿では、RSUで進行中のFLプロセスをターゲットにした偽情報攻撃について検討する。
論文参考訳（メタデータ） (2021-02-26T01:39:16Z)
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)
Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover [0.0]
5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
論文参考訳（メタデータ） (2021-01-17T00:31:37Z)
Defence against adversarial attacks using classical and quantum-enhanced Boltzmann machines [64.62510681492994]
生成モデルはデータセットの基盤となる分布を学習し、それらは本質的に小さな摂動に対してより堅牢である。 MNISTデータセット上のBoltzmannマシンによる攻撃に対して、5%から72%の改良が見られる。
論文参考訳（メタデータ） (2020-12-21T19:00:03Z)
Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility [6.112377814215607]
MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
論文参考訳（メタデータ） (2020-11-20T18:59:27Z)
A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
論文参考訳（メタデータ） (2020-10-19T08:56:04Z)
Mobility Management in Emerging Ultra-Dense Cellular Networks: A Survey, Outlook, and Future Research Directions [4.464588560099433]
本稿は,新興超高密度モバイルネットワークにおけるモビリティ課題のパノラマを包括的に調査した初めての論文である。ユーザ追跡や、狭いビームを持つmmWaveのセル発見といった課題は、新興モバイルネットワークの野心的な利益を実現する前に解決する必要がある。
論文参考訳（メタデータ） (2020-09-29T10:42:05Z)
Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文参考訳（メタデータ） (2020-08-26T19:27:27Z)

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。