論文の概要: Toward Resilient 5G Networks: Comparative Analysis of Federated and Centralized Learning for RF Jamming Detection

• arxiv url: http://arxiv.org/abs/2605.01705v1
• Date: Sun, 03 May 2026 04:13:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.894787
• Title: Toward Resilient 5G Networks: Comparative Analysis of Federated and Centralized Learning for RF Jamming Detection
• Title（参考訳）: レジリエントな5Gネットワークに向けて:RFジャミング検出のためのフェデレーションと集中学習の比較分析
• Authors: Samhita Kuili, Mohammadreza Amini, Burak Kantarci,
• Abstract要約: ジャミング攻撃は5G無線周波数(RF)領域をターゲットにしており、無線ネットワークにおける通信を妨害することができる。 本研究は,大気上におけるIn-phase and Quadrature (IQ) のサンプルを対象とする,FL(Federated Learning)に基づく検出フレームワークを提案する。 我々は、フェデレート平均化(FedAvg)アルゴリズムを用いて、1D畳み込みニューラルネットワーク(1DCNN)をトレーニングし、攻撃を効果的に検出する。
• 参考スコア（独自算出の注目度）: 6.554690373570662
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Jamming attacks are proliferating and pose a significant threat to the security of 5G and beyond networks. These attacks target 5G radio frequency (RF) domain and can disrupt the communication in wireless networks. While conventional machine learning and deep learning approaches demonstrate its potential for jamming detection, they typically require centralized data collection, compromising the privacy of user equipment (UEs). This work proposes a federated learning (FL)-based jamming detection framework that operates on over-the-air In-phase and Quadrature (IQ) samples extracted from Synchronization Signal Blocks (SSBs) in the RF domain. The framework enables collaborative model training across multiple UEs without sharing raw RF signal data. We adopt Federated Averaging (FedAvg) algorithm to train a 1D convolutional neural network (1DCNN) for effective detection of attacks. Numerical results demonstrate that the proposed FL framework achieves 97% accuracy and 97% F1-score, outperforming centralized baselines including MLP, 1DCNN, SVM, and logistic regression, while preserving the data privacy of all participating UEs
• Abstract（参考訳）: ジャミング攻撃は急増しており、5Gやネットワークのセキュリティに重大な脅威をもたらしている。 これらの攻撃は5G無線周波数(RF)領域をターゲットにしており、無線ネットワークにおける通信を妨害することができる。 従来の機械学習とディープラーニングのアプローチは、検出を妨害する可能性を示しているが、一般的には集中的なデータ収集を必要とし、ユーザ機器(UE)のプライバシーを損なう。 本研究では,RF領域の同期信号ブロック (SSB) から抽出した大気上におけるIn-phase and Quadrature (IQ) のサンプルを対象とする,FLに基づくジャミング検出フレームワークを提案する。 このフレームワークは、生のRF信号データを共有することなく、複数のUE間で協調的なモデルトレーニングを可能にする。 我々は、フェデレート平均化(FedAvg)アルゴリズムを用いて、1D畳み込みニューラルネットワーク(1DCNN)をトレーニングし、攻撃を効果的に検出する。 数値計算の結果,提案するFLフレームワークは97%の精度と97%のF1スコアを実現し,MLP,1DCNN,SVM,ロジスティック回帰など集中型ベースラインを上回り,すべてのUEのデータプライバシを保護した。

関連論文リスト

• ML-Enabled Eavesdropper Detection in Beyond 5G IIoT Networks [0.0]
  本稿では,盗聴検出の一般的な問題に対処するために,機械学習とディープラーニング(ML/DL)技術を活用することに焦点を当てる。 ML/DLモデルは、チャネル状態情報(CSI)、位置データ、送信電力に基づいて、ユーザーを正当または悪意のあるものと分類する。 提案した数値結果によると,DCNN と RF モデルは,誤報ゼロの盗聴者の識別に100%接近する検出精度を達成している。
  論文  参考訳（メタデータ） (2025-05-05T08:49:18Z)
• 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)
• DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [10.215216950059874]
  妨害攻撃は5Gネットワークに重大なリスクをもたらす。 本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。 提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
  論文  参考訳（メタデータ） (2024-03-05T04:29:31Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
  本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。 この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-12T10:32:26Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• 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)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。