Fugu-MT 論文翻訳(概要): A Two-Stage CAE-Based Federated Learning Framework for Efficient Jamming Detection in 5G Networks

論文の概要: A Two-Stage CAE-Based Federated Learning Framework for Efficient Jamming Detection in 5G Networks

arxiv url: http://arxiv.org/abs/2501.15288v1
Date: Sat, 25 Jan 2025 17:57:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-28 13:57:01.124680
Title: A Two-Stage CAE-Based Federated Learning Framework for Efficient Jamming Detection in 5G Networks
Title（参考訳）: 5Gネットワークにおける効率的なジャミング検出のための2段階CAEに基づくフェデレーション学習フレームワーク
Authors: Samhita Kuili, Mohammadreza Amini, Burak Kantarci,
Abstract要約: 妨害攻撃はヘテロジニアスネットワーク(HetNet)アーキテクチャに重大なリスクをもたらす。本稿では,5Gフェムトセルにおける検出を妨害する分散二段階連成学習(FL)フレームワークを提案する。我々のフレームワークは、通信ラウンドを30に最小化し、ジャム信号を検出する堅牢な収束を最適クライアント数6で達成しつつ、精度0.94、リコール0.90、F1スコア0.92、精度0.92を達成する。
参考スコア（独自算出の注目度）: 5.715528540446773
License:
Abstract: Cyber-security for 5G networks is drawing notable attention due to an increase in complex jamming attacks that could target the critical 5G Radio Frequency (RF) domain. These attacks pose a significant risk to heterogeneous network (HetNet) architectures, leading to degradation in network performance. Conventional machine-learning techniques for jamming detection rely on centralized training while increasing the odds of data privacy. To address these challenges, this paper proposes a decentralized two-stage federated learning (FL) framework for jamming detection in 5G femtocells. Our proposed distributed framework encompasses using the Federated Averaging (FedAVG) algorithm to train a Convolutional Autoencoder (CAE) for unsupervised learning. In the second stage, we use a fully connected network (FCN) built on the pre-trained CAE encoder that is trained using Federated Proximal (FedProx) algorithm to perform supervised classification. Our experimental results depict that our proposed framework (FedAVG and FedProx) accomplishes efficient training and prediction across non-IID client datasets without compromising data privacy. Specifically, our framework achieves a precision of 0.94, recall of 0.90, F1-score of 0.92, and an accuracy of 0.92, while minimizing communication rounds to 30 and achieving robust convergence in detecting jammed signals with an optimal client count of 6.
Abstract（参考訳）: 5Gネットワークのサイバーセキュリティは、重要な5G無線周波数(RF)ドメインをターゲットにする複雑な妨害攻撃の増加によって注目されている。これらの攻撃はヘテロジニアスネットワーク(HetNet)アーキテクチャに重大なリスクをもたらし、ネットワーク性能が低下する。検出を妨害する従来の機械学習技術は、データプライバシの確率を高めながら、集中的なトレーニングに依存している。これらの課題に対処するために,本研究では,5Gフェムトセルにおける検出を妨害する分散2段階連合学習(FL)フレームワークを提案する。提案する分散フレームワークは、FedAVG(Federated Averaging)アルゴリズムを用いて、教師なし学習のための畳み込みオートエンコーダ(CAE)を訓練する。第2段階では、事前訓練されたCAEエンコーダ上に構築された完全連結ネットワーク(FCN)を用いて、フェデレートプロキシ(FedProx)アルゴリズムを用いて、教師付き分類を行う。実験の結果,提案するフレームワーク(FedAVGとFedProx)が,データプライバシを損なうことなく,非IIDクライアントデータセット間の効率的なトレーニングと予測を実現していることがわかった。具体的には、通信ラウンドを30に最小化し、最適なクライアント数6でジャム信号を検出する堅牢な収束を実現するとともに、このフレームワークは精度0.94、リコール0.90、F1スコア0.92、精度0.92を達成する。

関連論文リスト

FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文参考訳（メタデータ） (2024-10-16T16:13:19Z)
EffiSegNet: Gastrointestinal Polyp Segmentation through a Pre-Trained EfficientNet-based Network with a Simplified Decoder [0.8892527836401773]
EffiSegNetは、トレーニング済みの畳み込みニューラルネットワーク(CNN)をバックボーンとして、トランスファーラーニングを活用する新しいセグメンテーションフレームワークである。 Kvasir-SEGデータセットを用いて消化管ポリープセグメンテーションタスクの評価を行い,その成果を得た。
論文参考訳（メタデータ） (2024-07-23T08:54:55Z)
DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [11.15939066175832]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文参考訳（メタデータ） (2024-03-05T04:29:31Z)
FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
論文参考訳（メタデータ） (2023-07-10T08:54:07Z)
Deep Attention Recognition for Attack Identification in 5G UAV scenarios: Novel Architecture and End-to-End Evaluation [3.3253720226707992]
5Gフレームワークに固有の堅牢なセキュリティ機能にもかかわらず、攻撃者は依然として5G無人航空機(UAV)の運用を妨害する方法を見つけるだろう。我々は,認証されたUAVに埋め込まれた小さなディープネットワークに基づく攻撃を識別するためのソリューションとして,Deep Attention Recognition (DAtR)を提案する。
論文参考訳（メタデータ） (2023-03-03T17:10:35Z)
Federated Dynamic Sparse Training: Computing Less, Communicating Less, Yet Learning Better [88.28293442298015]
Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。 FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
論文参考訳（メタデータ） (2021-12-18T02:26:38Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
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)
ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2020-03-07T02:12:02Z)

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。