論文の概要: Distributed Federated Learning for Vehicular Network Security: Anomaly Detection Benefits and Multi-Domain Attack Threats

• arxiv url: http://arxiv.org/abs/2505.23706v1
• Date: Thu, 29 May 2025 17:41:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:08.048224
• Title: Distributed Federated Learning for Vehicular Network Security: Anomaly Detection Benefits and Multi-Domain Attack Threats
• Title（参考訳）: ネットワークセキュリティのための分散フェデレーション学習:異常検出ベネフィットとマルチドメイン攻撃脅威
• Authors: Utku Demir, Yalin E. Sagduyu, Tugba Erpek, Hossein Jafari, Sastry Kompella, Mengran Xue,
• Abstract要約: 車両は、ワンホップの隣人間でモデルの更新を交換し、複数のホップ上でモデルを伝播することによって、ディープラーニングモデルを協調的にトレーニングする方法を示す。 我々はDFLのレジリエンスと、複数のドメインにおける攻撃、すなわち無線ジャミングとデータ中毒攻撃の訓練による脆弱性を調査する。
• 参考スコア（独自算出の注目度）: 9.528549914782122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In connected and autonomous vehicles, machine learning for safety message classification has become critical for detecting malicious or anomalous behavior. However, conventional approaches that rely on centralized data collection or purely local training face limitations due to the large scale, high mobility, and heterogeneous data distributions inherent in inter-vehicle networks. To overcome these challenges, this paper explores Distributed Federated Learning (DFL), whereby vehicles collaboratively train deep learning models by exchanging model updates among one-hop neighbors and propagating models over multiple hops. Using the Vehicular Reference Misbehavior (VeReMi) Extension Dataset, we show that DFL can significantly improve classification accuracy across all vehicles compared to learning strictly with local data. Notably, vehicles with low individual accuracy see substantial accuracy gains through DFL, illustrating the benefit of knowledge sharing across the network. We further show that local training data size and time-varying network connectivity correlate strongly with the model's overall accuracy. We investigate DFL's resilience and vulnerabilities under attacks in multiple domains, namely wireless jamming and training data poisoning attacks. Our results reveal important insights into the vulnerabilities of DFL when confronted with multi-domain attacks, underlining the need for more robust strategies to secure DFL in vehicular networks.
• Abstract（参考訳）: 連結車や自律車では、安全メッセージ分類のための機械学習が悪意や異常な振る舞いを検出するために重要になっている。 しかし、中央集権的なデータ収集や純粋に局所的な訓練に依存する従来のアプローチは、車間ネットワークに固有の大規模、高モビリティ、異種データ分布のために制限に直面している。 これらの課題を克服するために,本研究では,車両がワンホップの隣人間でモデル更新を交換し,複数のホップ上でモデルを伝播することにより,ディープラーニングモデルを協調的に訓練する分散フェデレーション学習(DFL)について検討する。 VeReMi(Vehicular Reference Misbehavior, Vehicular Reference Misbehavior, Vehicular Reference Misbehavior, VeReMi)拡張データセットを用いて,DFLは局所データによる学習と比較して,全車両の分類精度を大幅に向上させることができることを示す。 特に、個々の精度の低い車両は、DFLを通じてかなりの精度が得られ、ネットワーク全体での知識共有の利点が示される。 さらに、局所的なトレーニングデータサイズと時間変化のネットワーク接続性は、モデル全体の精度と強く相関していることを示す。 我々はDFLのレジリエンスと、複数のドメインにおける攻撃、すなわち無線ジャミングとデータ中毒攻撃の訓練による脆弱性を調査する。 本研究は,車載ネットワークにおけるDFLの安全性を高めるための,より堅牢な戦略の必要性を浮き彫りにして,マルチドメイン攻撃に直面するDFLの脆弱性に関する重要な知見を明らかにするものである。

関連論文リスト

• Distributed Intrusion Detection in Dynamic Networks of UAVs using Few-Shot Federated Learning [1.0923877073891446]
  Flying Ad Hoc Networks(FANETs)の侵入検知は、通信コストとプライバシー上の懸念のために困難である。 Federated Learning (FL) は FANET の侵入検出を約束する一方で,大規模なデータ要求や消費電力,時間制約といった欠点にも直面する。 我々は、プライバシー、電力制約、通信コスト、損失リンクなどの侵入検知問題に対処するために、Few-shot Federated Learning-based IDS (FSFL-IDS)を提案する。
  論文  参考訳（メタデータ） (2025-01-22T20:55:46Z)
• Poisoning Attacks on Federated Learning-based Wireless Traffic Prediction [4.968718867282096]
  Federated Learning (FL)は、複数の基地局でグローバルコントロールモデルをトレーニングするための分散フレームワークを提供する。 これは、無線トラフィック予測(WTP)のようなアプリケーションにとって理想的であり、ネットワークリソースの最適化において重要な役割を果たす。 FLベースの分散無線システムのセキュリティ面、特に回帰ベースのWTP問題については、その約束にもかかわらず、不適切な調査が続けられている。
  論文  参考訳（メタデータ） (2024-04-22T17:50:27Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Enhanced Decentralized Federated Learning based on Consensus in Connected Vehicles [14.80476265018825]
  分散システムにおける機械学習(ML)モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 我々は,C-DFL (Consensus based Decentralized Federated Learning)を導入し,コネクテッドカーにおけるフェデレーションラーニングに取り組む。
  論文  参考訳（メタデータ） (2022-09-22T01:21:23Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Certified Robustness in Federated Learning [54.03574895808258]
  我々は,フェデレーショントレーニングとパーソナライゼーション,および認定ロバストネスの相互作用について検討した。 単純なフェデレーション平均化技術は, より正確であるだけでなく, より精度の高いロバストモデルの構築にも有効であることがわかった。
  論文  参考訳（メタデータ） (2022-06-06T12:10:53Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
  エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。 提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。 収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T16:46:45Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)

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。