論文の概要: An Intelligent Native Network Slicing Security Architecture Empowered by Federated Learning

• arxiv url: http://arxiv.org/abs/2410.05312v1
• Date: Fri, 4 Oct 2024 21:12:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 19:37:51.341700
• Title: An Intelligent Native Network Slicing Security Architecture Empowered by Federated Learning
• Title（参考訳）: フェデレートラーニングを活用したインテリジェントなネイティブネットワークスライシングセキュリティアーキテクチャ
• Authors: Rodrigo Moreira, Rodolfo S. Villaca, Moises R. N. Ribeiro, Joberto S. B. Martins, Joao Henrique Correa, Tereza C. Carvalho, Flavio de Oliveira Silva,
• Abstract要約: ネットワークスライシングソリューションを改善するためのアーキテクチャ・インテリジェントセキュリティ機構を提案する。 我々は、汎用的および非ネイティブなテレメトリ記録を用いて、スライス内のDistributed Denial-of-Service(DDoS)と侵入攻撃を識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Network Slicing (NS) has transformed the landscape of resource sharing in networks, offering flexibility to support services and applications with highly variable requirements in areas such as the next-generation 5G/6G mobile networks (NGMN), vehicular networks, industrial Internet of Things (IoT), and verticals. Although significant research and experimentation have driven the development of network slicing, existing architectures often fall short in intrinsic architectural intelligent security capabilities. This paper proposes an architecture-intelligent security mechanism to improve the NS solutions. We idealized a security-native architecture that deploys intelligent microservices as federated agents based on machine learning, providing intra-slice and architectural operation security for the Slicing Future Internet Infrastructures (SFI2) reference architecture. It is noteworthy that federated learning approaches match the highly distributed modern microservice-based architectures, thus providing a unifying and scalable design choice for NS platforms addressing both service and security. Using ML-Agents and Security Agents, our approach identified Distributed Denial-of-Service (DDoS) and intrusion attacks within the slice using generic and non-intrusive telemetry records, achieving an average accuracy of approximately $95.60\%$ in the network slicing architecture and $99.99\%$ for the deployed slice -- intra-slice. This result demonstrates the potential for leveraging architectural operational security and introduces a promising new research direction for network slicing architectures.
• Abstract（参考訳）: ネットワークスライシング(NS)は、ネットワークにおけるリソース共有の状況を変え、次世代の5G/6Gモバイルネットワーク(NGMN)、車両ネットワーク、IoT(Industrial Internet of Things)、垂直ネットワークなどの領域において、サービスやアプリケーションをサポートする柔軟性を提供する。 重要な研究と実験によってネットワークスライシングの開発が進められているが、既存のアーキテクチャは本質的にはアーキテクチャ上のインテリジェントなセキュリティ能力に欠けることが多い。 本稿では,NSソリューションを改善するためのアーキテクチャ・インテリジェントセキュリティ機構を提案する。 我々は、インテリジェントなマイクロサービスを機械学習に基づくフェデレーションエージェントとしてデプロイするセキュリティネイティブアーキテクチャを理想化し、Slicing Future Internet Infrastructures(SFI2)参照アーキテクチャのスライス内およびアーキテクチャ運用のセキュリティを提供します。 フェデレートされた学習アプローチは、高度に分散したモダンなマイクロサービスベースのアーキテクチャと一致し、サービスとセキュリティの両方に対処するNSプラットフォームに対して、統一的でスケーラブルな設計選択を提供する点が注目に値する。 ML-AgentsとSecurity Agentsを使用して、当社のアプローチでは、汎用的および非侵入的テレメトリレコードを使用してスライス内の分散型サービス拒否(DDoS)および侵入攻撃を特定し、ネットワークスライシングアーキテクチャにおける平均精度を約9,5.60 %、デプロイされたスライス - イントラススライス - 99.99 %とした。 この結果は、アーキテクチャの運用セキュリティを活用する可能性を示し、ネットワークスライシングアーキテクチャに有望な新しい研究方向を導入する。

関連論文リスト

• Intelligent Data-Driven Architectural Features Orchestration for Network Slicing [0.0]
  オーケストレーションと機械学習は、ネットワークスライシングプロセスにおいて重要な役割を持つ重要な要素である。 本稿では,機械学習によるネットワークスライシングアーキテクチャの機能と機能のオーケストレーションについて論じる。 分散組込みおよび協調MLエージェントを用いたSFI2アーキテクチャのアタック防止セキュリティ機構を開発した。
  論文  参考訳（メタデータ） (2024-01-12T12:32:36Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• Enhancing Network Slicing Architectures with Machine Learning, Security, Sustainability and Experimental Networks Integration [0.21200026734831154]
  NS(Network Slicing)は5Gネットワークコンピューティング戦略において広く使われている技術である。 NSは6Gの未来的かつ高要求のアプリケーションのための主要なイネーブラーの1つとして予見されている。 NSアーキテクチャの提案は通常、共通性のある特定のドメインセットのニーズを満たす。
  論文  参考訳（メタデータ） (2023-07-18T11:22:31Z)
• HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection [0.0]
  セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。 MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。 その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
  論文  参考訳（メタデータ） (2022-04-08T19:06:16Z)
• 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)
• Intelligent Zero Trust Architecture for 5G/6G Tactical Networks: Principles, Challenges, and the Role of Machine Learning [4.314956204483074]
  課題を強調し,信頼できないコンポーネントを持つ5G/6Gネットワークのセキュリティフレームワークとして,インテリジェントゼロ信頼アーキテクチャ(i-ZTA)の概念を導入する。 本稿では,現代の人工知能(AI)アルゴリズムを開発して,信頼できないネットワークにおける情報セキュリティを提供するi-ZTAのアーキテクチャ設計について述べる。
  論文  参考訳（メタデータ） (2021-05-04T13:14:29Z)
• Symbolic Reinforcement Learning for Safe RAN Control [62.997667081978825]
  無線アクセスネットワーク(RAN)アプリケーションにおける安全な制御のためのシンボリック強化学習(SRL)アーキテクチャを紹介します。 本ツールでは,LTL(Linear Temporal Logic)で表現された高レベルの安全仕様を選択して,所定のセルネットワーク上で動作しているRLエージェントをシールドする。 ユーザインタフェース(ui)を用いて,ユーザがインテントの仕様をアーキテクチャに設定し,許可されたアクションとブロックされたアクションの違いを検査する。
  論文  参考訳（メタデータ） (2021-03-11T10:56:49Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。