論文の概要: FLINT: Fingerprinting Federated Learning Architectures from 5G PHY-Layer Side Channels

• arxiv url: http://arxiv.org/abs/2607.15469v1
• Date: Thu, 16 Jul 2026 21:38:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.709725
• Title: FLINT: Fingerprinting Federated Learning Architectures from 5G PHY-Layer Side Channels
• Title（参考訳）: FLINT:5G PHY-Layerサイドチャネルからフェデレーションラーニングアーキテクチャをフィンガープリント
• Abstract要約: 5Gセルネットワーク上のフェデレートラーニング(FL)は、生データを保護するが、サイドチャネルリークに弱いままである。 FLINTは,FLモデルアーキテクチャファミリーを推論する新しいブラックボックスフィンガープリントフレームワークである。 空気上srsRANベースの5Gテストベッドの実験により、FLINTはアーキテクチャ分類のための0.930のマクロF1スコアを達成することを示した。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) over 5G cellular networks protects raw data but remains vulnerable to side-channel leakage. Prior fingerprinting attacks assume packet-level network visibility, an assumption that does not hold at the 5G Physical (PHY) layer, where user payloads are encrypted and Radio Network Temporary Identifiers (RNTIs) may change over time. However, we demonstrate that PHY-layer scheduling metadata broadcast over the Physical Downlink Control Channel (PDCCH) preserves architecture-associated temporal patterns. We introduce FLINT, a novel black-box fingerprinting framework that infers FL model architecture families, including CNNs, RNNs, and Transformers, using only coarse PHY-layer observations. FLINT overcomes the lack of network-layer visibility by decoding PDCCH scheduling information, mapping changing RNTIs to physical user devices, and applying multi-view temporal modeling to distinguish architecture-specific training behavior. This leakage is security-critical because knowledge of a client's model architecture can transform passive reconnaissance into targeted downstream exploitation. Extensive experiments on an over-the-air srsRAN-based 5G testbed demonstrate that FLINT achieves a macro F1-score of 0.930 for architecture-family classification. To our knowledge, FLINT is the first work to fingerprint AI/ML model architectures using lower-layer 5G side-channel information obtainable by any protocol-aware adversary.
• Abstract（参考訳）: 5Gセルネットワーク上のフェデレートラーニング(FL)は、生データを保護するが、サイドチャネルリークに弱いままである。 以前の指紋認証攻撃では、パケットレベルのネットワーク可視性を前提としており、ユーザのペイロードが暗号化され、RNTI(Radio Network Temporary Identifiers)が時間とともに変化する5G Physical (PHY)層に保持されない仮定である。 しかし, 物理ダウンリンク制御チャネル (PDCCH) 上で放送されるPHY層スケジューリングメタデータは, アーキテクチャに関連する時間パターンを保存していることを示す。 CNN、RNN、トランスフォーマーを含むFLモデルアーキテクチャファミリーを、粗いPHY層のみを用いて推論する新しいブラックボックスフィンガープリントフレームワークであるFLINTを紹介する。 FLINTは、PDCCHスケジューリング情報をデコードし、RNTIを物理ユーザデバイスにマッピングし、アーキテクチャ固有のトレーニング行動を区別するためにマルチビューの時間的モデリングを適用することで、ネットワーク層の可視性の欠如を克服する。 このリークは、クライアントのモデルアーキテクチャの知識が受動的偵察を標的とする下流の攻撃に変換できるため、セキュリティクリティカルである。 大気上srsRANベースの5Gテストベッドの大規模な実験は、FLINTがアーキテクチャ分類のための0.930のマクロF1スコアを達成することを示した。 我々の知る限り、FLINTはAI/MLモデルアーキテクチャに低層5Gサイドチャネル情報を用いてフィンガープリントを行う最初の試みである。

関連論文リスト

• Robust and Precise Application Fingerprinting on 5G Physical Uplink Channel [14.703722937793641]
  空気フィンガープリンティングは、細胞制御チャネルからメタデータを嗅ぎ出すことによってアプリケーションアクティビティを推測する。 5Gはこれらのチャネルを暗号化し、以前の攻撃が依存していたアタックチェーンを破る。 本稿では,暗号化をバイパスする物理層側チャネルを明らかにする。
  論文  参考訳（メタデータ） (2026-06-13T09:36:34Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• FLARE: A Wireless Side-Channel Fingerprinting Attack on Federated Learning [1.4680035572775534]
  Federated Learning (FL)は、データとユーザのプライバシを保護しながら、分散デバイス間の協調的なモデルトレーニングを可能にする。 本稿では、FLクライアントからの暗号化された無線トラフィックのフローレベルおよびパケットレベル統計を利用して、そのディープラーニングモデルアーキテクチャを推論する、新しいサイドチャネルフィンガープリント攻撃を提案する。 FL Architecture Reconnaissanceをベースとした指紋認証フレームワークであるFLAREと命名した。
  論文  参考訳（メタデータ） (2025-12-11T05:32:34Z)
• BiLCNet : BiLSTM-Conformer Network for Encrypted Traffic Classification with 5G SA Physical Channel Records [3.4949103362575573]
  生のチャネルレコードを構造化表現に変換する前処理パイプラインを開発した。 本稿では,BiLSTMの逐次モデリング機能とコンフォーマーブロックの空間的特徴抽出強度を統合したBiLSTM-Conformer Network (BiLCNet)を提案する。 分類精度は93.9%であり,従来の機械学習アルゴリズムやディープラーニングアルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2025-09-22T08:27:11Z)
• Fingerprinting Deep Learning Models via Network Traffic Patterns in Federated Learning [1.5193212081459277]
  フェデレートラーニング(FL)は、分散機械学習パラダイムとしてますます採用されている。 FLは、ネットワークトラフィック分析を通じて間接的なプライバシー侵害を受けやすい。 本稿では,FL環境に展開する深層学習モデルのフィンガープリントの実現可能性について,ネットワーク層トラフィック情報の解析により検討する。
  論文  参考訳（メタデータ） (2025-06-02T21:37:20Z)
• FedConv: Enhancing Convolutional Neural Networks for Handling Data Heterogeneity in Federated Learning [34.37155882617201]
  フェデレーション・ラーニング(FL)は機械学習における新たなパラダイムであり、共有モデルは複数のデバイスからのデータを使って協調的に学習される。 活性化関数や正規化層などの異なるアーキテクチャ要素が異種FLの性能に与える影響を系統的に検討する。 以上の結果から,戦略的アーキテクチャ変更により,純粋なCNNは,VTと一致するか,あるいは超えるようなロバスト性を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-06T17:57:50Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Feature Flow: In-network Feature Flow Estimation for Video Object Detection [56.80974623192569]
  光の流れはコンピュータビジョンのタスクで広く使われ、ピクセルレベルのモーション情報を提供する。 一般的なアプローチは、ニューラルネットワークへの前向き光学フローと、タスクデータセット上のこのネットワークの微調整である。 ビデオオブジェクト検出のための textbfIn-network textbfFeature textbfFlow 推定モジュールを用いた新しいネットワーク (IFF-Net) を提案する。
  論文  参考訳（メタデータ） (2020-09-21T07:55:50Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。