Fugu-MT 論文翻訳(概要): Slice-Aware Spoofing Detection in 5G Networks Using Lightweight Machine Learning

論文の概要: Slice-Aware Spoofing Detection in 5G Networks Using Lightweight Machine Learning

arxiv url: http://arxiv.org/abs/2511.09610v1
Date: Fri, 14 Nov 2025 01:01:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-14 22:53:22.377771
Title: Slice-Aware Spoofing Detection in 5G Networks Using Lightweight Machine Learning
Title（参考訳）: 軽量機械学習を用いた5Gネットワークにおけるスライス対応スライス検出
Authors: Daniyal Ganiuly, Nurzhau Bolatbek,
Abstract要約: 本研究では,5Gネットワークスライス内のスプーフィング攻撃を検出するためのスライス対応軽量機械学習フレームワークを提案する。このフレームワークは再現可能なOpen5GSとsrsRANテストベッド上に実装された。その結果、セキュリティインテリジェンスとスライスバウンダリとの整合性は、検出の信頼性を高め、運用上の分離を維持できることが示されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The increasing virtualization of fifth generation (5G) networks expands the attack surface of the user plane, making spoofing a persistent threat to slice integrity and service reliability. This study presents a slice-aware lightweight machine-learning framework for detecting spoofing attacks within 5G network slices. The framework was implemented on a reproducible Open5GS and srsRAN testbed emulating three service classes such as enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communication (URLLC), and massive Machine-Type Communication (mMTC) under controlled benign and adversarial traffic. Two efficient classifiers, Logistic Regression and Random Forest, were trained independently for each slice using statistical flow features derived from mirrored user-plane traffic. Slice-aware training improved detection accuracy by up to 5% and achieved F1-scores between 0.93 and 0.96 while maintaining real-time operation on commodity edge hardware. The results demonstrate that aligning security intelligence with slice boundaries enhances detection reliability and preserves operational isolation, enabling practical deployment in 5G network-security environments. Conceptually, the work bridges network-security architecture and adaptive machine learning by showing that isolation-aware intelligence can achieve scalable, privacy-preserving spoofing defense without high computational cost.
Abstract（参考訳）: 第5世代(5G)ネットワークの仮想化が増加すると、ユーザプレーンの攻撃面が拡大し、整合性とサービスの信頼性を損なう脅威が持続する。本研究では,5Gネットワークスライス内のスプーフィング攻撃を検出するためのスライス対応軽量機械学習フレームワークを提案する。このフレームワークは、改良されたモバイルブロードバンド(eMBB)、ウルトラ信頼性の低い低レイテンシ通信(URLLC)、制御された良性および敵対的なトラフィック下での大規模マシン型通信(mMTC)の3つのサービスクラスを模した再現可能なOpen5GSとsrsRANテストベッド上に実装された。 2つの効率的な分類器、ロジスティック回帰とランダムフォレストは、ミラー化されたユーザプレーントラフィックから得られる統計的フロー特性を用いて、スライス毎に独立に訓練された。スライス・アウェアのトレーニングにより、検出精度は最大5%向上し、コモディティエッジハードウェアのリアルタイム操作を維持しながら、0.93から0.96のF1スコアを達成した。その結果、セキュリティインテリジェンスとスライスバウンダリとの整合性は、検出の信頼性を高め、運用上のアイソレーションを保ち、5Gネットワークセキュリティ環境への実践的な展開を可能にすることを示した。概念的には、この作業はネットワークセキュリティアーキテクチャと適応機械学習を橋渡しし、アイソレーションを意識したインテリジェンスによって、高い計算コストを伴わずに、スケーラブルでプライバシ保護のスプーフィングディフェンスを達成できることを示します。

関連論文リスト

Toward an Intrusion Detection System for a Virtualization Framework in Edge Computing [0.0]
本研究では,仮想化フレームワーク内で独立したサービスとして統合されたLDPI(Lightweight Deep Anomaly Detection for Network Traffic)のデプロイについて検討する。 LDPIはDeep Learningアプローチを採用し、評価パケットウィンドウ設定でAUC 0.999(平均5倍)に達した。 LDPIをラップトップクラスのエッジノードにデプロイし、そのオーバーヘッドと性能を2つのシナリオで評価する。
論文参考訳（メタデータ） (2025-11-12T07:43:28Z)
PUL-Inter-slice Defender: An Anomaly Detection Solution for Distributed Slice Mobility Attacks [11.124385969043644]
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。
論文参考訳（メタデータ） (2025-10-02T17:24:17Z)
AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させているこれらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
論文参考訳（メタデータ） (2025-07-24T16:04:59Z)
A Two-Stage CAE-Based Federated Learning Framework for Efficient Jamming Detection in 5G Networks [5.715528540446773]
妨害攻撃はヘテロジニアスネットワーク(HetNet)アーキテクチャに重大なリスクをもたらす。本稿では,5Gフェムトセルにおける検出を妨害する分散二段階連成学習(FL)フレームワークを提案する。我々のフレームワークは、通信ラウンドを30に最小化し、ジャム信号を検出する堅牢な収束を最適クライアント数6で達成しつつ、精度0.94、リコール0.90、F1スコア0.92、精度0.92を達成する。
論文参考訳（メタデータ） (2025-01-25T17:57:45Z)
Federated Learning for Zero-Day Attack Detection in 5G and Beyond V2X Networks [9.86830550255822]
Connected and Automated Vehicles(CAV)は、5GおよびBeyondネットワーク(5GB)上にあり、セキュリティとプライバシ攻撃のベクトルの増加に対して脆弱である。本稿では,ネットワークトラフィックパターンのみに依存する攻撃を検知するディープ・オートエンコーダ法を利用した新しい検出機構を提案する。連合学習を用いて、提案した侵入検知システムは、CAVのプライバシーを維持し、通信オーバーヘッドを最小限に抑えながら、大規模で多様なネットワークトラフィックで訓練することができる。
論文参考訳（メタデータ） (2024-07-03T12:42:31Z)
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)
Federated Dynamic Sparse Training: Computing Less, Communicating Less, Yet Learning Better [88.28293442298015]
Federated Learning (FL)は、クラウドからリソース制限されたエッジデバイスへの機械学習ワークロードの分散を可能にする。我々は、FedDST(Federated Dynamic Sparse Training)と呼ばれる新しいFLフレームワークを開発し、実装し、実験的に検証する。 FedDSTは、ターゲットのフルネットワークからスパースサブネットワークを抽出し、訓練する動的プロセスである。
論文参考訳（メタデータ） (2021-12-18T02:26:38Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
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。