論文の概要: Jamming Detection in Cell-Free MIMO with Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2601.06075v1
• Date: Mon, 29 Dec 2025 15:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.62366
• Title: Jamming Detection in Cell-Free MIMO with Dynamic Graphs
• Title（参考訳）: 動的グラフを用いた無細胞MIMOにおけるジャミング検出
• Authors: Ali Hossary, Laura Crosara, Stefano Tomasin,
• Abstract要約: ジャミング攻撃は無線ネットワークにとって重大な脅威となる。 本稿では,動的グラフとグラフ畳み込みニューラルネットワークを利用した新しいジャミング検出フレームワークを提案する。 教師付き学習で訓練されたGCN-Transformerベースのモデルは、悪意のある干渉を特定するためにグラフ埋め込みを学ぶ。
• 参考スコア（独自算出の注目度）: 13.539599439234754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Jamming attacks pose a critical threat to wireless networks, particularly in cell-free massive MIMO systems, where distributed access points and user equipment (UE) create complex, time-varying topologies. This paper proposes a novel jamming detection framework leveraging dynamic graphs and graph convolutional neural networks (GCN) to address this challenge. By modeling the network as a dynamic graph, we capture evolving communication links and detect jamming attacks as anomalies in the graph evolution. A GCN-Transformer-based model, trained with supervised learning, learns graph embeddings to identify malicious interference. Performance evaluation in simulated scenarios with moving UEs, varying jamming conditions and channel fadings, demonstrates the method's effectiveness, which is assessed through accuracy and F1 score metrics, achieving promising results for effective jamming detection.
• Abstract（参考訳）: ジャミング攻撃は、特にセルフリーの大規模なMIMOシステムにおいて、複雑な時間変化トポロジを生成する分散アクセスポイントとユーザ機器(UE)において、無線ネットワークにとって重大な脅威となる。 本稿では,この課題に対処するために,動的グラフとグラフ畳み込みニューラルネットワーク(GCN)を利用した新しいジャミング検出フレームワークを提案する。 ネットワークを動的グラフとしてモデル化することにより、進化する通信リンクを捕捉し、ジャミング攻撃をグラフ進化の異常として検出する。 教師付き学習で訓練されたGCN-Transformerベースのモデルは、悪意のある干渉を特定するためにグラフ埋め込みを学ぶ。 実測値とF1スコアを用いて評価し,効率的なジャミング検出のための有望な結果が得られることを示す。

関連論文リスト

• Self-Supervised Learning of Graph Representations for Network Intrusion Detection [6.453778601809096]
  GraphIDSは、表現学習と異常検出を統一する自己教師型侵入検出モデルである。 帰納的グラフニューラルネットワークは、各フローを局所的なトポロジカルコンテキストに埋め込んで、典型的なネットワークの振る舞いをキャプチャする。 Transformerベースのエンコーダデコーダは、これらの埋め込みを再構築し、自己注意を通じてグローバルな共起パターンを暗黙的に学習する。 推論中は、異常に高い復元誤差のフローが潜在的侵入としてフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-20T11:02:50Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• A Deep Learning Framework for Evaluating Dynamic Network Generative Models and Anomaly Detection [0.0]
  本稿では,DGSP-GCN(グラフ畳み込みネットワークに基づく動的グラフ類似度予測)を提案する。 グラフ畳み込みネットワークと動的グラフ信号処理技術を統合し、生成モデルを評価し、動的ネットワークの異常を検出する統一的なソリューションを提供する。 WikiMath、Chickenpox、PedalMe、MontevideoBus、MetraLaの5つの実世界のデータセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-15T09:19:09Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• A Temporal Graph Neural Network for Cyber Attack Detection and Localization in Smart Grids [0.3093890460224435]
  本稿では,スマートグリッドのシステム状態に対する偽データインジェクションとランプ攻撃の検出とローカライズを行うための時間グラフニューラルネットワーク(TGNN)フレームワークを提案する。 攻撃の強度と位置に対するモデルの感度とモデルの検出遅延と検出精度を評価した。
  論文  参考訳（メタデータ） (2022-12-07T00:56:02Z)
• Joint Detection and Localization of Stealth False Data Injection Attacks in Smart Grids using Graph Neural Networks [7.718169412279379]
  不正データ注入攻撃(FDIA)は、電力システムでより頻繁に発生します。 本稿では、FDIAの存在と位置を特定するために、グラフニューラルネットワーク(GNN)に基づくアプローチを提案する。 我々の知る限りでは、電力系統におけるFDIAを自動的に検出し、ローカライズするGNNに基づく最初の作品である。
  論文  参考訳（メタデータ） (2021-04-24T00:33:45Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。