論文の概要: CITADEL: CSI-Based Jamming Detection and Open-Set Classification for IIoT Networks
- arxiv url: http://arxiv.org/abs/2606.22939v1
- Date: Mon, 22 Jun 2026 07:16:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 03:25:36.885983
- Title: CITADEL: CSI-Based Jamming Detection and Open-Set Classification for IIoT Networks
- Title（参考訳）: CITADEL: IIoTネットワークにおけるCSIベースのジャミング検出とオープンセット分類
- Authors: Aymen Bouferroum, Ildi Alla, Valeria Loscri, Abderrahim Benslimane, Vincent Lenders,
- Abstract要約: 無線周波数ジャミングは、無線産業用IoT(Industrial Internet of Things)ネットワークの可用性に重大な脅威をもたらす。
既存の検出と分類技術はこの設定には適していない。
本稿では,チャネル状態情報(CSI)測定のみを用いた軽量な2段階階層パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 8.234024185555208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radio frequency jamming poses a critical threat to the availability of wireless Industrial Internet of Things (IIoT) networks. Existing detection and classification techniques are poorly suited to this setting: coarse signal-strength and cross-layer features lack information richness, while raw I/Q baseband approaches require hardware and throughput that is impractical at the scale of hundred-node IIoT deployments. This paper presents CITADEL, a lightweight two-stage hierarchical pipeline that uses only Channel State Information (CSI) measurements, which are natively available on commodity IIoT devices, to detect and classify jamming attacks including previously unseen ones. While prior work has shown that jamming leaves observable CSI signatures, CITADEL is the first system to translate this insight into an end-to-end pipeline that jointly achieves closed-set classification of known attacks, open-set detection of zero-day attacks, and resistance to adversarial evasion. Evaluated across 6 known attack types and 15 zero-day scenarios, CITADEL achieves 100% known-attack detection and 97.1% zero-day detection at a 0.4% end-to-end false positive rate. Under adversarial evaluation spanning white-box and black-box threat models, gradient-based evasion remains below 2% across all tested perturbation budgets and the strongest published CSI attack generator achieves less than 5% average evasion. A systematic comparison against eight baselines confirms that no existing method achieves comparable performance on CSI data across all three axes: detection, generalization, and robustness. The full pipeline completes inference in 14.2 ms at 95.9 mJ on an edge GPU, establishing CITADEL as a practical solution for large-scale IIoT network security.
- Abstract（参考訳）: 無線周波数ジャミングは、無線産業用IoT(Industrial Internet of Things)ネットワークの可用性に重大な脅威をもたらす。
粗い信号強度とクロス層機能には情報豊かさがないのに対して、生のI/Qベースバンドアプローチでは、100ノードIIoTデプロイメントのスケールでは実用的でないハードウェアとスループットを必要とする。
本稿では,コモディティIIoTデバイス上でネイティブに利用可能なチャネル状態情報(CSI)測定のみを使用して,これまで見つからなかったような妨害攻撃を検出して分類する,軽量な2段階階層パイプラインであるCITADELを提案する。
CITADELはこの知見を、既知の攻撃のクローズド・セットの分類、ゼロデイ攻撃のオープン・セットの検出、敵の回避に対する抵抗を共同で達成するエンド・ツー・エンドのパイプラインに変換する最初のシステムである。
6つの既知の攻撃タイプと15のゼロデイシナリオで評価され、CITADELは100%の既知の攻撃検出と97.1%のゼロデイ検出を0.4%のエンドツーエンドの偽陽性率で達成している。
ホワイトボックスとブラックボックスの脅威モデルにまたがる敵対的評価の下では、勾配に基づく回避は全ての試験された摂動予算において2%以下であり、最も強力なCSI攻撃発生器は平均で5%未満の回避を達成する。
8つのベースラインに対する体系的な比較では、既存の手法が検出、一般化、ロバストネスの3つの軸すべてにわたってCSIデータに匹敵する性能を達成できないことが確認されている。
完全なパイプラインはエッジGPU上の95.9mJで14.2msで推論を完了し、CITADELを大規模IIoTネットワークセキュリティの実用的なソリューションとして確立した。
関連論文リスト
- Neurosymbolic Learning for Advanced Persistent Threat Detection under Extreme Class Imbalance [29.991707658663188]
本稿では,最適化されたBERTモデルと論理テンソルネットワーク(LTN)を統合し,無線IoTネットワークにおける説明可能なAPT検出を実現するニューロシンボリックアーキテクチャを提案する。
その結果, ニューロシンボリック学習はIoTネットワーク監視アーキテクチャの高性能, 解釈可能, 動作可能なAPT検出を可能にすることがわかった。
論文 参考訳（メタデータ） (2026-02-28T04:25:50Z) - MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。
Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。
これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
論文 参考訳（メタデータ） (2026-02-27T09:37:05Z) - HubScan: Detecting Hubness Poisoning in Retrieval-Augmented Generation Systems [0.031068858355080494]
ハブ性は有害なコンテンツの導入、検索ランキングの変更、コンテンツフィルタリングのバイパス、システムパフォーマンスの低下に利用することができる。
本稿では,RAGシステム内のハブを特定するために,ベクトルインデックスと埋め込みを評価したオープンソースのセキュリティスキャナである Hubscan を紹介する。
Hubscanは0.2%の警告予算で90%のリコールを達成する。100%リコールは0.4%で、敵のハブは99.8%のパーセンタイルを上回っている。
論文 参考訳（メタデータ） (2026-02-25T21:37:53Z) - Decentralized Multi-Agent Swarms for Autonomous Grid Security in Industrial IoT: A Consensus-based Approach [0.0]
DMASエージェントは軽量なピアツーピアプロトコルを介して通信し、異常な振る舞いを協調的に検出する。
エージェントは特定された脅威の脅威レベルに投票し、妥協されたノードやノードの即時隔離を可能にする。
DMASは、ミリ秒以下の応答時間、高負荷下で悪意のある活動を検出する精度97.3%、ゼロデイ攻撃を検出する精度87%を示した。
論文 参考訳（メタデータ） (2026-01-24T04:25:36Z) - Blockchain Meets Adaptive Honeypots: A Trust-Aware Approach to Next-Gen IoT Security [6.649910168731417]
エッジコンピューティングベースのNext-Generation Wireless Networks (NGWN)-IoTは、大規模サービスプロビジョニングのために帯域幅を拡張できる。
既存の侵入検知・防止方法は、敵の攻撃戦略を継続的に適応させるため、限られたセキュリティを提供する。
本稿では,この課題に対処するための動的攻撃検出・防止手法を提案する。
論文 参考訳（メタデータ） (2025-04-22T19:36:19Z) - A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning [0.0]
車両内侵入検知システム(IDS)は、目に見える攻撃を検出し、新しい目に見えない攻撃に対する堅牢な防御を提供する必要がある。
これまでの作業は、CAN ID機能のみに依存していたり、手動で機能抽出する従来の機械学習(ML)アプローチを使用していました。
本稿では,これらの制約に対処するために,最先端,斬新,軽量,車内,IDS平均化,深層学習(DL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-15T21:51:56Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z) - CSI: Enhancing the Robustness of 3D Point Cloud Recognition against
Corruption [33.70232326721406]
現実世界の安全クリティカルなアプリケーションは、避けられないデータ破損による課題を提示する。
本研究では、ポイントクラウドデータ固有の設定特性を利用して、新しいクリティカルサブセット識別(CSI)手法を導入する。
我々のCSIフレームワークは、密度認識サンプリング(DAS)と自己エントロピー最小化(SEM)の2つの重要なコンポーネントを統合している。
論文 参考訳（メタデータ） (2023-10-05T07:30:52Z) - Locate and Verify: A Two-Stream Network for Improved Deepfake Detection [33.50963446256726]
現在のディープフェイク検出法は一般に一般化が不十分である。
本稿では,モデルがエビデンスを抽出する潜在的領域を効果的に拡大する,革新的な2ストリームネットワークを提案する。
また、パッチレベルの偽位置アノテーションを推定するための半教師付きパッチ類似性学習戦略を提案する。
論文 参考訳（メタデータ） (2023-09-20T08:25:19Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - 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。