論文の概要: Targeted Attacks and Defenses for Distributed Federated Learning in Vehicular Networks

• arxiv url: http://arxiv.org/abs/2510.15109v1
• Date: Thu, 16 Oct 2025 20:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.37657
• Title: Targeted Attacks and Defenses for Distributed Federated Learning in Vehicular Networks
• Title（参考訳）: 車両ネットワークにおける分散フェデレーション学習のための目標攻撃と防御
• Authors: Utku Demir, Tugba Erpek, Yalin E. Sagduyu, Sastry Kompella, Mengran Xue,
• Abstract要約: 新興のネットワークシステムでは、モバイルエッジデバイスが大量のデータを集約して機械学習の意思決定を行う。 フェデレートラーニング(FL)は、ディープニューラルネットワークのローカルモデル重みをノードが共有できるようにすることによって、これらの制約とプライバシ上の懸念に対処する。 我々は、高度な訓練用データ中毒とバックドア(トロイの木馬)攻撃を設計し、車載ネットワークにおける新たな脆弱性を特徴づける。
• 参考スコア（独自算出の注目度）: 6.782487123205847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In emerging networked systems, mobile edge devices such as ground vehicles and unmanned aerial system (UAS) swarms collectively aggregate vast amounts of data to make machine learning decisions such as threat detection in remote, dynamic, and infrastructure-constrained environments where power and bandwidth are scarce. Federated learning (FL) addresses these constraints and privacy concerns by enabling nodes to share local model weights for deep neural networks instead of raw data, facilitating more reliable decision-making than individual learning. However, conventional FL relies on a central server to coordinate model updates in each learning round, which imposes significant computational burdens on the central node and may not be feasible due to the connectivity constraints. By eliminating dependence on a central server, distributed federated learning (DFL) offers scalability, resilience to node failures, learning robustness, and more effective defense strategies. Despite these advantages, DFL remains vulnerable to increasingly advanced and stealthy cyberattacks. In this paper, we design sophisticated targeted training data poisoning and backdoor (Trojan) attacks, and characterize the emerging vulnerabilities in a vehicular network. We analyze how DFL provides resilience against such attacks compared to individual learning and present effective defense mechanisms to further strengthen DFL against the emerging cyber threats.
• Abstract（参考訳）: 新興ネットワークシステムでは、地上車両や無人航空システム(UAS)などのモバイルエッジデバイスが大量のデータを集約し、リモート、ダイナミック、インフラに制約のある環境において、電力と帯域幅が不足する脅威検出などの機械学習決定を行う。 フェデレートラーニング(FL)は、ノードが生データではなくディープニューラルネットワークのローカルモデルウェイトを共有できるようにすることによって、これらの制約とプライバシの懸念に対処し、個々の学習よりも信頼性の高い意思決定を容易にする。 しかし、従来のFLは、各学習ラウンドにおけるモデル更新のコーディネートを中央サーバに依存しており、これは中央ノードにかなりの計算負荷を課し、接続制約のため実現できない可能性がある。 中央サーバへの依存をなくすことで、分散連合学習(DFL)はスケーラビリティ、ノード障害に対するレジリエンス、堅牢性の学習、より効果的な防御戦略を提供する。 これらの利点にもかかわらず、DFLはますます先進的でステルス的なサイバー攻撃に弱いままである。 本稿では,高度な訓練用データ中毒・バックドア(トロイジャン)攻撃を設計し,車載ネットワークの脆弱性を特徴付ける。 我々は、DFLが個々の学習と比較して、このような攻撃に対してレジリエンスを提供する方法を分析し、新たなサイバー脅威に対するDFLをさらに強化するための効果的な防御メカニズムを提示する。

関連論文リスト

• Distributed Federated Learning for Vehicular Network Security: Anomaly Detection Benefits and Multi-Domain Attack Threats [9.528549914782122]
  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。
  論文  参考訳（メタデータ） (2025-05-29T17:41:02Z)
• 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)
• Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
  大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。 無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。 本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
  論文  参考訳（メタデータ） (2024-04-20T02:30:21Z)
• 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)
• Sentinel: An Aggregation Function to Secure Decentralized Federated Learning [9.046402244232343]
  Decentralized Federated Learning (DFL)は、協調モデルをトレーニングするための革新的なパラダイムとして登場し、単一障害点に対処する。 既存の防御機構は集中型FLのために設計されており、DFLの特異性を十分に活用していない。 この研究は、DFLの毒殺攻撃に対抗する防衛戦略であるSentinelを紹介した。
  論文  参考訳（メタデータ） (2023-10-12T07:45:18Z)
• Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
  本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。 また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
  論文  参考訳（メタデータ） (2022-06-14T04:55:11Z)
• Communication-Efficient Hierarchical Federated Learning for IoT Heterogeneous Systems with Imbalanced Data [42.26599494940002]
  フェデレートラーニング(Federated Learning, FL)は、複数のノードが協調してディープラーニングモデルをトレーニングできる分散ラーニング方法論である。 本稿では,IoTヘテロジニアスシステムにおける階層FLの可能性について検討する。 複数のエッジノード上でのユーザ割り当てとリソース割り当てに最適化されたソリューションを提案する。
  論文  参考訳（メタデータ） (2021-07-14T08:32:39Z)
• Cybersecurity Threats in Connected and Automated Vehicles based Federated Learning Systems [7.979659145328856]
  Federated Learning(FL)は、ローカルデータをプライベートに保持する分散型エンティティにまたがるアルゴリズムのトレーニングを目的とする。 ほとんどのサイバー防御技術は、信頼性の高い接続ネットワークに依存します。 本稿では、RSUで進行中のFLプロセスをターゲットにした偽情報攻撃について検討する。
  論文  参考訳（メタデータ） (2021-02-26T01:39:16Z)
• Towards Communication-efficient and Attack-Resistant Federated Edge Learning for Industrial Internet of Things [40.20432511421245]
  federated edge learning(fel)は、産業用iot(internet of things)におけるエッジコンピューティングのためのグローバルなディープラーニングモデルを、エッジノードでトレーニング可能にする。 FELは、通信オーバーヘッドとデータプライバシの2つの重要な課題に直面している。 IIoTにおけるエッジコンピューティングのための通信効率とプライバシー強化型非同期FELフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-08T14:11:32Z)
• A Secure Federated Learning Framework for 5G Networks [44.40119258491145]
  分散トレーニングデータセットを使用して機械学習モデルを構築するための新たなパラダイムとして、フェデレートラーニング(FL)が提案されている。 重大なセキュリティ上の脅威は2つあり、毒殺とメンバーシップ推論攻撃である。 ブロックチェーンベースのセキュアなFLフレームワークを提案し、スマートコントラクトを作成し、悪意のあるあるいは信頼性の低い参加者がFLに参加するのを防ぐ。
  論文  参考訳（メタデータ） (2020-05-12T13:27:23Z)

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。