論文の概要: Quantum-Classical Hybrid Framework for Zero-Day Time-Push GNSS Spoofing Detection

• arxiv url: http://arxiv.org/abs/2508.18085v1
• Date: Mon, 25 Aug 2025 14:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.822101
• Title: Quantum-Classical Hybrid Framework for Zero-Day Time-Push GNSS Spoofing Detection
• Title（参考訳）: ゼロデイタイムプッシュGNSSスポーフィング検出のための量子古典ハイブリッドフレームワーク
• Authors: Abyad Enan, Mashrur Chowdhury, Sagar Dasgupta, Mizanur Rahman,
• Abstract要約: 我々は、Hybrid Quantum-Classical Autoencoder (HQC-AE) を用いたゼロデイスプーフィング検出法を開発した。 我々は、攻撃者がタイミング情報を操作し、受信機における不正な時間計算を誘導する静的受信機におけるスプーフィング検出に焦点を当てた。 我々の分析は、HQC-AEが従来の教師なし学習ベースモデルと既存の教師なし学習ベース手法を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 8.560939383123657
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Global Navigation Satellite Systems (GNSS) are critical for Positioning, Navigation, and Timing (PNT) applications. However, GNSS are highly vulnerable to spoofing attacks, where adversaries transmit counterfeit signals to mislead receivers. Such attacks can lead to severe consequences, including misdirected navigation, compromised data integrity, and operational disruptions. Most existing spoofing detection methods depend on supervised learning techniques and struggle to detect novel, evolved, and unseen attacks. To overcome this limitation, we develop a zero-day spoofing detection method using a Hybrid Quantum-Classical Autoencoder (HQC-AE), trained solely on authentic GNSS signals without exposure to spoofed data. By leveraging features extracted during the tracking stage, our method enables proactive detection before PNT solutions are computed. We focus on spoofing detection in static GNSS receivers, which are particularly susceptible to time-push spoofing attacks, where attackers manipulate timing information to induce incorrect time computations at the receiver. We evaluate our model against different unseen time-push spoofing attack scenarios: simplistic, intermediate, and sophisticated. Our analysis demonstrates that the HQC-AE consistently outperforms its classical counterpart, traditional supervised learning-based models, and existing unsupervised learning-based methods in detecting zero-day, unseen GNSS time-push spoofing attacks, achieving an average detection accuracy of 97.71% with an average false negative rate of 0.62% (when an attack occurs but is not detected). For sophisticated spoofing attacks, the HQC-AE attains an accuracy of 98.23% with a false negative rate of 1.85%. These findings highlight the effectiveness of our method in proactively detecting zero-day GNSS time-push spoofing attacks across various stationary GNSS receiver platforms.
• Abstract（参考訳）: グローバルナビゲーション衛星システム(GNSS)は、測位、航法、タイミング(PNT)の用途において重要である。 しかし、GNSSは偽造攻撃に対して非常に脆弱であり、敵は偽造信号を誤解を招くレシーバーに送信する。 このような攻撃は、誤ったナビゲーション、妥協されたデータ整合性、運用上の障害など、深刻な結果をもたらす可能性がある。 既存のスプーフィング検出手法の多くは、教師付き学習技術と、新しい、進化し、目に見えない攻撃を検出するのに苦労している。 この制限を克服するため, 正当性GNSS信号のみを訓練したHybrid Quantum-Classical Autoencoder (HQC-AE) を用いたゼロデイスプーフィング検出法を開発した。 追跡段階で抽出した特徴を利用することで,PNT解が計算される前に能動的検出が可能となる。 我々は,静的GNSS受信機におけるスプーフィング検出に焦点をあて,特にタイムプッシュスプーフィング攻撃の影響を受けやすいもので,攻撃者はタイミング情報を操作して受信機で不正な時間計算を誘導する。 我々は, 単純化, 中間, 洗練された攻撃シナリオに対して, 我々のモデルを評価した。 分析の結果,HQC-AEは従来型の教師付き学習ベースモデル,および既存の教師なし学習ベース手法を一貫して上回り,ゼロデイの未確認 GNSS タイムプッシュスプーフィング攻撃を検知し,平均検出精度97.71%を平均偽陰性率0.62%(攻撃が発生したが検出されない)で達成していることがわかった。 洗練されたスプーフ攻撃では、HQC-AEは98.23%の精度で、偽陰性率は1.85%である。 これらの結果から, 静止GNSS受信プラットフォームにおけるゼロデイGNSSスプーフィング攻撃を積極的に検出する手法の有効性が示唆された。

関連論文リスト

• Real-Time Bayesian Detection of Drift-Evasive GNSS Spoofing in Reinforcement Learning Based UAV Deconfliction [6.956559003734227]
  無人無人航空機(UAV)は、正確なリアルタイムの局地化と航法のためにグローバルナビゲーション衛星システム(GNSS)の擬似距離測定に頼っている。 この依存は、敵がUAV受信機を騙す偽りを操る洗練された偽造脅威にそれらを暴露する。 従来の分布シフト検出技術は、しばしばサンプルのしきい値の蓄積を必要とし、迅速な検出とタイムリーな応答を妨げる遅延を引き起こす。 本研究では,UAVナビゲーションにおける微妙な行動偏差を検出するために,強化学習(RL)批判ネットワークから評価値の時間的変化を監視する,ベイズオンライン変化点検出(BOCPD)アプローチについて検討する。
  論文  参考訳（メタデータ） (2025-07-15T10:27:27Z)
• 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)
• Time-based GNSS attack detection [0.0]
  提供された時間と他の信頼できる時間源との相互チェックは、受信時間を制御することを目的とした攻撃検出につながる可能性がある。 我々は、単純化されたスプーファーから、星座と同期した高度なスプーファーにまたがる敵を実装した。 この方法は、衛星コンステレーションや攻撃タイプに大きく依存せず、既存の受信機と互換性のある情報の時間ベースのデータ検証を可能にし、容易に展開できる。
  論文  参考訳（メタデータ） (2025-02-06T08:28:41Z)
• Experimental Validation of Sensor Fusion-based GNSS Spoofing Attack Detection Framework for Autonomous Vehicles [5.624009710240032]
  本稿では,自動走行車に対するセンサフュージョンを用いたスプーフィング攻撃検出フレームワークを提案する。 アラバマ州タスカルーサで実験が行われ、都市部の道路構造を模倣している。 結果は、遅いドリフト攻撃を含む様々な高度なスプーフ攻撃を検出できるフレームワークの能力を実証している。
  論文  参考訳（メタデータ） (2024-01-02T17:30:46Z)
• The Adversarial Implications of Variable-Time Inference [47.44631666803983]
  本稿では,攻撃対象のMLモデルの予測を後処理するアルゴリズムの実行時間を簡単に計測する,新たなサイドチャネルを利用するアプローチを提案する。 我々は,物体検出装置の動作において重要な役割を果たす非最大抑圧(NMS)アルゴリズムからの漏れを調査する。 我々は、YOLOv3検出器に対する攻撃を実演し、タイミングリークを利用して、逆例を用いてオブジェクト検出を回避し、データセット推論を行う。
  論文  参考訳（メタデータ） (2023-09-05T11:53:17Z)
• A Reinforcement Learning Approach for GNSS Spoofing Attack Detection of Autonomous Vehicles [3.918774449495583]
  本稿では、低コストな車載センサデータを用いた深部強化学習(RL)に基づくターン・バイ・ターン・ターン・スプーフィング攻撃検出手法を開発した。 RLモデルの精度は99.99%から100%であり、リコール値は100%である。 解析結果から,RLモデルはターン・バイ・ターン・ターン・スプーフィング攻撃検出に有効であることが判明した。
  論文  参考訳（メタデータ） (2021-08-19T11:48:27Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)
• Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
  異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。 本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。 提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
  論文  参考訳（メタデータ） (2020-07-11T21:20:55Z)
• Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
  このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。 生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。 実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
  論文  参考訳（メタデータ） (2020-02-22T10:08:42Z)

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。