論文の概要: Self-Supervised Federated GNSS Spoofing Detection with Opportunistic Data
- arxiv url: http://arxiv.org/abs/2505.06171v1
- Date: Fri, 09 May 2025 16:22:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-12 20:40:10.337065
- Title: Self-Supervised Federated GNSS Spoofing Detection with Opportunistic Data
- Title（参考訳）: 機会データを用いた自己監督型フェデレーションGNSSスポーフィング検出
- Authors: Wenjie Liu, Panos Papadimitratos,
- Abstract要約: グローバルナビゲーション衛星システム(GNSS)はスプーフィング攻撃に対して脆弱である。
ディープラーニングベースの手法では、広範なラベル付きデータセット、重要な計算リソースの消費、プライバシの懸念を高める必要がある。
本稿では,スプーフィング検出のための自己教師付きフェデレーション学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.9688858888666714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global navigation satellite systems (GNSS) are vulnerable to spoofing attacks, with adversarial signals manipulating the location or time information of receivers, potentially causing severe disruptions. The task of discerning the spoofing signals from benign ones is naturally relevant for machine learning, thus recent interest in applying it for detection. While deep learning-based methods are promising, they require extensive labeled datasets, consume significant computational resources, and raise privacy concerns due to the sensitive nature of position data. This is why this paper proposes a self-supervised federated learning framework for GNSS spoofing detection. It consists of a cloud server and local mobile platforms. Each mobile platform employs a self-supervised anomaly detector using long short-term memory (LSTM) networks. Labels for training are generated locally through a spoofing-deviation prediction algorithm, ensuring privacy. Local models are trained independently, and only their parameters are uploaded to the cloud server, which aggregates them into a global model using FedAvg. The updated global model is then distributed back to the mobile platforms and trained iteratively. The evaluation shows that our self-supervised federated learning framework outperforms position-based and deep learning-based methods in detecting spoofing attacks while preserving data privacy.
- Abstract（参考訳）: グローバルナビゲーション衛星システム(GNSS)は、受信機の位置や時刻情報を操作する敵の信号によって、スプーフィング攻撃に脆弱であり、深刻な破壊を引き起こす可能性がある。
良性信号と良性信号とを区別するタスクは、機械学習に自然に関係しているため、検出に応用することへの近年の関心が高まっている。
ディープラーニングベースの手法は有望だが、広範なラベル付きデータセットを必要とし、重要な計算リソースを消費し、位置データの繊細な性質のためにプライバシー上の懸念を提起する。
そこで本研究では, GNSSスプーフィング検出のための自己教師付きフェデレーション学習フレームワークを提案する。
クラウドサーバとローカルモバイルプラットフォームで構成されている。
各モバイルプラットフォームは、長い短期記憶(LSTM)ネットワークを用いた自己教師付き異常検出装置を使用している。
トレーニング用のラベルは、スプーフィング削除予測アルゴリズムを通じてローカルに生成され、プライバシーが保証される。
ローカルモデルは独立してトレーニングされ、パラメータだけがクラウドサーバにアップロードされ、FedAvgを使用してグローバルモデルに集約される。
更新されたグローバルモデルがモバイルプラットフォームに配信され、反復的にトレーニングされる。
評価の結果,我々の自己指導型フェデレーション学習フレームワークは,データプライバシを保ちながらスプーフィング攻撃の検出において,位置ベースおよび深層学習に基づく手法よりも優れていた。
関連論文リスト
- CONTINUUM: Detecting APT Attacks through Spatial-Temporal Graph Neural Networks [0.9553673944187253]
Advanced Persistent Threats (APT) はサイバーセキュリティにおいて重要な課題である。
従来の侵入検知システム(IDS)は、これらの多段階攻撃を検出するのに不足することが多い。
論文 参考訳（メタデータ） (2025-01-06T12:43:59Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - 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) - Jammer classification with Federated Learning [13.20023719822086]
ジャミング信号は、その操作を拒否するまで受信機の動作を危険にさらすことができる。
データ駆動モデルはこれらの脅威を検出するのに有用であることが証明されている。
本稿では,各デバイスにおけるジャム信号分類器の訓練におけるフェデレート学習の利用について検討する。
論文 参考訳（メタデータ） (2023-06-05T04:28:04Z) - Acceleration of Federated Learning with Alleviated Forgetting in Local
Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。
我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。
我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文 参考訳（メタデータ） (2022-03-05T02:31:32Z) - Attribute Inference Attack of Speech Emotion Recognition in Federated
Learning Settings [56.93025161787725]
Federated Learning(FL)は、クライアントをコーディネートして、ローカルデータを共有せずにモデルを協調的にトレーニングする分散機械学習パラダイムである。
本稿では,共有勾配やモデルパラメータからクライアントの機密属性情報を推測する属性推論攻撃フレームワークを提案する。
FLを用いて学習したSERシステムに対して,属性推論攻撃が達成可能であることを示す。
論文 参考訳（メタデータ） (2021-12-26T16:50:42Z) - Location Leakage in Federated Signal Maps [7.093808731951124]
複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。
i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。
我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。
FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
論文 参考訳（メタデータ） (2021-12-07T02:28:12Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - Prediction-Based GNSS Spoofing Attack Detection for Autonomous Vehicles [5.579370215490055]
我々は,長期記憶(LSTM)モデルを用いた予測に基づくスプーフィング攻撃検出戦略を開発した。
現在の位置と直近の場所との間を走行する予測距離に基づいてしきい値を確立する。
分析の結果,予測に基づくスプーフ攻撃検出戦略により,リアルタイムで攻撃を検知できることが判明した。
論文 参考訳（メタデータ） (2020-10-16T18:26:59Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z)
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。