論文の概要: PUL-Inter-slice Defender: An Anomaly Detection Solution for Distributed Slice Mobility Attacks

• arxiv url: http://arxiv.org/abs/2510.02236v1
• Date: Thu, 02 Oct 2025 17:24:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.249062
• Title: PUL-Inter-slice Defender: An Anomaly Detection Solution for Distributed Slice Mobility Attacks
• Title（参考訳）: PUL-Inter-Slice Defender:分散スライスモビリティアタックのための異常検出ソリューション
• Authors: Ricardo Misael Ayala Molina, Hyame Assem Alameddine, Makan Pourzandi, Chadi Assi,
• Abstract要約: ISS(Inter-Slice Switching)の脆弱性を利用して、Distributed Slice Mobility(DSM)攻撃を起動する。 PUL-Inter-Slice Defenderは、PUL(Positive Unlabeled Learning)を活用し、Long Short-Term Memory AutoencodersとK-Meansクラスタリングを組み合わせた異常検出ソリューションである。
• 参考スコア（独自算出の注目度）: 11.124385969043644
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Network Slices (NSs) are virtual networks operating over a shared physical infrastructure, each designed to meet specific application requirements while maintaining consistent Quality of Service (QoS). In Fifth Generation (5G) networks, User Equipment (UE) can connect to and seamlessly switch between multiple NSs to access diverse services. However, this flexibility, known as Inter-Slice Switching (ISS), introduces a potential vulnerability that can be exploited to launch Distributed Slice Mobility (DSM) attacks, a form of Distributed Denial of Service (DDoS) attack. To secure 5G networks and their NSs against DSM attacks, we present in this work, PUL-Inter-Slice Defender; an anomaly detection solution that leverages Positive Unlabeled Learning (PUL) and incorporates a combination of Long Short-Term Memory Autoencoders and K-Means clustering. PUL-Inter-Slice Defender leverages the Third Generation Partnership Project (3GPP) key performance indicators and performance measurement counters as features for its machine learning models to detect DSM attack variants while maintaining robustness in the presence of contaminated training data. When evaluated on data collected from our 5G testbed based on the open-source free5GC and UERANSIM, a UE/ Radio Access Network (RAN) simulator; PUL-Inter-Slice Defender achieved F1-scores exceeding 98.50% on training datasets with 10% to 40% attack contamination, consistently outperforming its counterpart Inter-Slice Defender and other PUL based solutions combining One-Class Support Vector Machine (OCSVM) with Random Forest and XGBoost.
• Abstract（参考訳）: ネットワークスライス(NS)は、共有物理インフラストラクチャ上で運用される仮想ネットワークであり、それぞれが、一貫性のあるQuality of Service(QoS)を維持しながら、特定のアプリケーション要件を満たすように設計されている。 第5世代(5G)ネットワークでは、ユーザ機器(UE)が複数のNSに接続し、シームレスに切り替えて多様なサービスにアクセスすることができる。 しかし、この柔軟性はInter-Slice Switching (ISS)として知られるもので、Distributed Slice Mobility (DSM)攻撃を起動するために悪用できる潜在的な脆弱性を導入している。 PUL-Inter-Slice Defenderは,PUL(Positive Unlabeled Learning)を活用し,Long Short-Term Memory AutoencodersとK-Meansクラスタリングを組み合わせた異常検出ソリューションである。 PUL-Inter-Slice Defenderは、第3世代パートナーシッププロジェクト(3GPP)キーパフォーマンスインジケータとパフォーマンス測定カウンタを機械学習モデルの特徴として利用し、汚染されたトレーニングデータの存在下で堅牢性を維持しながらDSM攻撃変異を検出する。 PUL-Inter-Slice Defenderは、オープンソースのFree5GCとUERANSIMに基づいて収集されたデータに基づいて評価された。PUL-Inter-Slice Defenderは、10%から40%の攻撃汚染を持つトレーニングデータセットにおいて、F1スコアを98.50%以上達成し、その競合であるInter-Slice Defenderと、ワンクラスサポートベクターマシン(OCSVM)とRandom ForestとXGBoostを組み合わせた他のPULベースのソリューションを一貫して上回った。

関連論文リスト

• Hybrid Deep Learning-Federated Learning Powered Intrusion Detection System for IoT/5G Advanced Edge Computing Network [0.0]
  IoTおよび5G-Advancedアプリケーションは、DDoS、マルウェア、ゼロデイ侵入に対する攻撃面を拡大した。 本稿では、畳み込みニューラルネットワーク(CNN)、双方向LSTM(BiLSTM)、オートエンコーダ(AE)ボトルネックを融合する侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2025-09-19T03:23:51Z)
• ZORRO: Zero-Knowledge Robustness and Privacy for Split Learning (Full Version) [58.595691399741646]
  Split Learning(SL)は、リソース制約のあるクライアントがディープニューラルネットワーク(DNN)を協調的にトレーニングすることを可能にする分散学習アプローチである。 このセットアップにより、SLはデータを共有せずにサーバの能力を活用することができ、機密データを扱うリソース制約のある環境で非常に効果的になる。 我々は、プライベートで検証可能な、堅牢なSL防御スキームであるZORROを提示する。
  論文  参考訳（メタデータ） (2025-09-11T18:44:09Z)
• Pigeon-SL: Robust Split Learning Framework for Edge Intelligence under Malicious Clients [53.496957000114875]
  我々は,M クライアントのうち少なくとも 1 つの完全正直なクラスタを保証する新しいスキームである Pigeon-SL を紹介する。 各グローバルラウンドでは、アクセスポイントがクライアントをN+1クラスタに分割し、バニラSLを介して独立して各クラスタをトレーニングし、共有データセット上での検証損失を評価する。 損失が最も低いクラスタのみが進歩し、悪意のある更新を分離して破棄する。
  論文  参考訳（メタデータ） (2025-08-04T09:34:50Z)
• Federated Learning-based MARL for Strengthening Physical-Layer Security in B5G Networks [16.57893415196489]
  本稿では,5Gネットワークを超越した状況下で,多細胞ネットワークにおける物理層セキュリティ(PLS)を高めるために,連合学習に基づくマルチエージェント強化学習(MARL)戦略の適用について検討する。 各セルでは、基地局(BS)が周囲環境と相互作用する深層強化学習(DRL)エージェントとして機能し、盗聴者の存在下で正統な利用者の秘密保持率を最大化する。
  論文  参考訳（メタデータ） (2025-07-09T16:24:15Z)
• Efficient Federated Intrusion Detection in 5G ecosystem using optimized BERT-based model [0.7100520098029439]
  5Gは高度なサービスを提供し、IoT(Internet of Things)内のインテリジェントトランスポート、コネクテッドヘルスケア、スマートシティなどのアプリケーションをサポートする。 これらの進歩は、ますます高度なサイバー攻撃を伴う、重大なセキュリティ上の課題をもたらす。 本稿では,連合学習と大規模言語モデル(LLM)を用いた頑健な侵入検知システム(IDS)を提案する。
  論文  参考訳（メタデータ） (2024-09-28T15:56:28Z)
• FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
  本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。 異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
  論文  参考訳（メタデータ） (2023-02-24T14:27:41Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)
• Robust Federated Learning for execution time-based device model identification under label-flipping attack [0.0]
  デバイス偽造と偽造のサイバー攻撃は、その影響と、通常、打ち上げに必要な複雑さが低いために際立っている。 行動フィンガープリントとML/DL(Machine/Deep Learning)技術の組み合わせに基づいて、デバイスモデルとタイプを特定するいくつかのソリューションが登場した。 フェデレートラーニング(FL)のような新しいアプローチは、特にシナリオ設定に悪意のあるクライアントが存在する場合、まだ十分に検討されていない。
  論文  参考訳（メタデータ） (2021-11-29T10:27:14Z)
• 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。