Fugu-MT 論文翻訳(概要): Securing WiFi Fingerprint-based Indoor Localization Systems from Malicious Access Points

論文の概要: Securing WiFi Fingerprint-based Indoor Localization Systems from Malicious Access Points

arxiv url: http://arxiv.org/abs/2505.07724v1
Date: Mon, 12 May 2025 16:32:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-13 20:21:49.488195
Title: Securing WiFi Fingerprint-based Indoor Localization Systems from Malicious Access Points
Title（参考訳）: 不正アクセス点からのWi-Fiフィンガープリントを用いた屋内位置決めシステムの構築
Authors: Fariha Tanjim Shifat, Sayma Sarwar Ela, Mosarrat Jahan,
Abstract要約: WiFi指紋に基づく屋内位置決め方式は、受信した信号強度指標(RSSI)と、機械学習(ML)モデルまたはディープラーニング(DL)モデルを用いたオフラインデータベースとをマッチングすることにより、高精度な位置情報を提供する。既存の文献では、オンラインフェーズにおける悪意のあるAPの検出が欠如し、その影響を緩和している。本研究はこれらの制約に対処し,悪質なAP検出とその効果軽減手法を取り入れた長期的屋内位置推定手法を提案する。
参考スコア（独自算出の注目度）: 0.07022492404644498
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: WiFi fingerprint-based indoor localization schemes deliver highly accurate location data by matching the received signal strength indicator (RSSI) with an offline database using machine learning (ML) or deep learning (DL) models. However, over time, RSSI values degrade due to the malicious behavior of access points (APs), causing low positional accuracy due to RSSI value mismatch with the offline database. Existing literature lacks detection of malicious APs in the online phase and mitigating their effects. This research addresses these limitations and proposes a long-term reliable indoor localization scheme by incorporating malicious AP detection and their effect mitigation techniques. The proposed scheme uses a Light Gradient-Boosting Machine (LGBM) classifier to estimate locations and integrates simple yet efficient techniques to detect malicious APs based on online query data. Subsequently, a mitigation technique is incorporated that updates the offline database and online queries by imputing stable values for malicious APs using LGBM Regressors. Additionally, we introduce a noise addition mechanism in the offline database to capture the dynamic environmental effects. Extensive experimental evaluation shows that the proposed scheme attains a detection accuracy above 95% for each attack type. The mitigation strategy effectively restores the system's performance nearly to its original state when no malicious AP is present. The noise addition module reduces localization errors by nearly 16%. Furthermore, the proposed solution is lightweight, reducing the execution time by approximately 94% compared to the existing methods.
Abstract（参考訳）: WiFi指紋を用いた屋内位置決め方式は、受信した信号強度指標(RSSI)と、機械学習(ML)モデルまたはディープラーニング(DL)モデルを用いたオフラインデータベースとをマッチングすることにより、高精度な位置情報を提供する。しかし、時間とともにRSSI値はアクセスポイント(AP)の悪意的な振る舞いにより劣化し、RSSI値とオフラインデータベースとのミスマッチにより位置精度が低下する。既存の文献では、オンラインフェーズにおける悪意のあるAPの検出が欠如し、その影響を緩和している。本研究はこれらの制約に対処し,悪質なAP検出とその効果軽減手法を取り入れた長期的屋内位置推定手法を提案する。提案手法では, 位置を推定するために光グラディエント・ブースティング・マシン (LGBM) 分類器を使用し, オンラインクエリデータに基づいて悪意のあるAPを検出するための簡易かつ効率的な手法を統合する。その後、LGBMレグレシタを使用して悪意のあるAPに対して安定した値を出力することで、オフラインデータベースとオンラインクエリを更新する緩和技術が組み込まれている。さらに、動的環境効果を捉えるために、オフラインデータベースにノイズ付加機構を導入する。実験結果から,攻撃タイプ毎に95%以上の検出精度が得られた。緩和戦略は、悪意のあるAPが存在しない場合、システムのパフォーマンスをほぼ元の状態に戻す。ノイズ付加モジュールは、ローカライズエラーを約16%削減する。さらに,提案手法は軽量であり,既存の手法と比較して実行時間を約94%短縮する。

関連論文リスト

Defending against Indirect Prompt Injection by Instruction Detection [81.98614607987793]
本稿では, 外部データを入力として取り込んで, 前方および後方の伝搬中におけるLCMの動作状態を利用して, 潜在的なIPI攻撃を検出する手法を提案する。提案手法は,ドメイン内設定で99.60%,ドメイン外設定で96.90%,攻撃成功率でBIPIAベンチマークで0.12%に低下する。
論文参考訳（メタデータ） (2025-05-08T13:04:45Z)
DataSentinel: A Game-Theoretic Detection of Prompt Injection Attacks [101.52204404377039]
LLM統合されたアプリケーションとエージェントは、インジェクション攻撃に弱い。検出方法は、入力が注入プロンプトによって汚染されているかどうかを判定することを目的とする。本研究では,迅速なインジェクション攻撃を検出するゲーム理論手法であるDataSentinelを提案する。
論文参考訳（メタデータ） (2025-04-15T16:26:21Z)
Machine Learning-Based Cyberattack Detection and Identification for Automatic Generation Control Systems Considering Nonlinearities [0.6144680854063939]
AGCシステムの通信計測への依存は、それらを偽データ注入攻撃(FDIA)に晒す本稿では、FDIAを識別し、漏洩した測定値を決定する機械学習(ML)ベースの検出フレームワークを提案する。その結果,F1スコアは99.98%,FDIAは99.98%であった。
論文参考訳（メタデータ） (2025-04-12T23:06:59Z)
Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。 1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
論文参考訳（メタデータ） (2025-02-06T18:59:11Z)
An Efficient Outlier Detection Algorithm for Data Streaming [51.56874851156008]
Local Outlier Factor (LOF)アルゴリズムのような従来の異常検出手法は、リアルタイムデータと競合する。本稿では,オンライン異常検出におけるLOFアルゴリズムの効率向上のための新しい手法を提案し,EILOFアルゴリズムを提案する。 EILOFアルゴリズムは計算コストを大幅に削減するだけでなく、加算点数が増加すると検出精度を体系的に改善する。
論文参考訳（メタデータ） (2025-01-02T05:12:43Z)
Incorporating Gradients to Rules: Towards Lightweight, Adaptive Provenance-based Intrusion Detection [11.14938737864796]
多様な環境に自動的に適応できるルールベースのPIDSであるCAPTAINを提案する。我々は、微分可能なタグ伝搬フレームワークを構築し、勾配降下アルゴリズムを用いてこれらの適応パラメータを最適化する。その結果,CAPTAINは検出精度の向上,検出遅延の低減,ランタイムオーバーヘッドの低減,検出アラームや知識の解釈性の向上を実現している。
論文参考訳（メタデータ） (2024-04-23T03:50:57Z)
SALC: Skeleton-Assisted Learning-Based Clustering for Time-Varying Indoor Localization [3.9373541926236757]
RSS指向の地図支援クラスタリング(ROMAC)とクラスタスケール位置推定(CsLE)を含むスケルトン支援学習型クラスタリングシステムを提案する。シミュレーションおよび実験結果から,提案したSALCシステムは,位置推定精度を向上して,指紋データベースを効率的に再構築できることが示されている。
論文参考訳（メタデータ） (2023-07-14T22:55:52Z)
ARLIF-IDS -- Attention augmented Real-Time Isolation Forest Intrusion Detection System [0.0]
Internet of ThingsとSoftware Defined Networkingは、DDoS攻撃の早期検出に軽量戦略を活用する。低数の機能に基づいて、迅速かつ効果的なセキュリティ識別モデルを持つことが不可欠である。本研究は,新規なアテンションベース森林侵入検知システムを提案する。
論文参考訳（メタデータ） (2022-04-20T18:40:23Z)
VELVET: a noVel Ensemble Learning approach to automatically locate VulnErable sTatements [62.93814803258067]
本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。 VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
論文参考訳（メタデータ） (2021-12-20T22:45:27Z)
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)
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。