論文の概要: Receiver-Domain Behavioral Probing for Backdoor-Resilient Federated GPS Spoofing Detection in UAV Networks

• arxiv url: http://arxiv.org/abs/2610.10360v1
• Date: Wed, 07 Oct 2026 16:31:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.0395
• Title: Receiver-Domain Behavioral Probing for Backdoor-Resilient Federated GPS Spoofing Detection in UAV Networks
• Title（参考訳）: UAVネットワークにおけるバックドア・レジリエント・フェデレーションGPSスポーフィング検出のための受信側行動探索
• Abstract要約: フェデレート・ラーニング(Federated learning)により、UAV艦隊は、航空機を出発する生の受信者データなしで、共有GPSスプーフィング検出器を訓練することができる。 この自己申告は、悪用可能な攻撃レバーであり、データの一部を汚染し、更新をスケールし、報告された正確さを+0.3036に引き上げる10のクライアントの2つの妥協されたクライアントであることを示している。 本稿では,各識別GPS特徴を良質な値に駆動して構築した偽造サンプルに対して,コーディネータが提案した全てのモデルを評価するレシーバ領域の行動探索を提案する。
• 参考スコア（独自算出の注目度）: 0.3779860024918729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning lets a UAV fleet train a shared GPS spoofing detector without raw receiver data leaving any aircraft, and several recent UAV-FL designs weight each client by the validation accuracy it reports about itself. We show this self-report is an exploitable attack lever: two compromised clients of ten that poison part of their data, scale their updates, and inflate their reported accuracy raise backdoor lift to +0.3036, higher than the same attack achieves without lying. We propose receiver-domain behavioral probing, in which the coordinator evaluates every submitted model on counterfactual spoofed samples built by driving each discriminative GPS feature to a benign value, weighting clients by what their models do rather than what they claim. Under independent and identically distributed clients this reduces attacker-induced lift to -0.0265, statistically indistinguishable from an honest fleet, while flagging the compromised aircraft. Unlike Byzantine-robust aggregation it needs no exact attacker count, only an honest majority: when the true count exceeds the configured value, Multi-Krum degrades from +0.0061 to +0.2837 while ours stays near baseline. Evaluation uses one public single-receiver dataset partitioned into simulated clients; we also report where the mechanism fails, under strong client heterogeneity.
• Abstract（参考訳）: フェデレートラーニング(Federated learning)により、UAV艦隊は、航空機を離れた受信機データなしで共有GPSスプーフィング検出器を訓練でき、最近のUAV-FLの設計では、自身が報告した検証精度によって各クライアントを重み付けしている。 データの一部を汚染し、更新をスケールし、報告された正確性を高めることで、バックドアリフトは+0.3036に上昇する。 本稿では,各識別的GPS特徴を良質な値に駆動し,クライアントが主張するよりも自分たちのモデルに何をするかを重み付けることで構築した,偽造スプーフ付きサンプルに対して,コーディネータが全ての提出されたモデルを評価するレシーバドメイン行動探索を提案する。 独立して均等に配布されたクライアントの下では、攻撃者が引き起こしたリフトは-0.0265に減少する。 真のカウントが設定値を超えると、Multi-Krumは+0.0061から+0.2837に分解され、ベースライン近くにとどまります。 評価では、シミュレーションされたクライアントに分割された1つの公開シングルレシーバデータセットを使用します。

関連論文リスト

• Defense-in-Depth at the Perception-Reasoning Interface of LLM-Centric Agentic UAV Swarms [5.348252771399991]
  大型言語モデル (LLMs) はアンクルード・エアリアル・ビークル (Uncrewed Aerial Vehicle (UAV) Swarm) の運用をますますサポートしている。 構造化されたセンサーレポートを静かに操作する敵は、モデル重量やUAVを変更することなく、Swarmをリダイレクトすることができる。 我々は,LLM-Centric Agentic UAV Swarmsの認識・推論インタフェースにおいて,ディフェンス・イン・ディープスを実装し,評価する。
  論文  参考訳（メタデータ） (2026-10-02T13:54:35Z)
• Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks [1.656436183201117]
  送信重みデルタからのサーバ側クライアント識別推定について検討する。 軽量なクリップ・テーマ・ノイズ・ディフェンスのプライバシーとユーティリティのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2026-09-02T09:49:39Z)
• Adversarially Guided Stateful Defense Against Backdoor Attacks in Federated Deep Learning [23.469636829106317]
  既存のディフェンスクラスタは、クライアントから更新を送信し、アグリゲーションに最適なクラスタを選択する。 現実的なFL設定では,SOTA(State-of-the-art Defenses)はFLのバックドア攻撃に対して良好に対処する。 本稿では,Deep Neural Networks (DNN) に対するバックドア攻撃に対するAdversarially Guided Stateful Defense (AGSD) を提案する。
  論文  参考訳（メタデータ） (2024-10-15T02:45:19Z)
• Robust Federated Learning Mitigates Client-side Training Data Distribution Inference Attacks [48.70867241987739]
  InferGuardは、クライアント側のトレーニングデータ分散推論攻撃に対する防御を目的とした、新しいビザンチン・ロバスト集約ルールである。 実験の結果,我々の防衛機構はクライアント側のトレーニングデータ分布推定攻撃に対する防御に極めて有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-05T17:41:35Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
  本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。 評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-14T11:27:49Z)
• BaFFLe: Backdoor detection via Feedback-based Federated Learning [3.6895394817068357]
  フィードバックに基づくフェデレーション学習(BAFFLE)によるバックドア検出を提案する。 BAFFLEは,最先端のバックドア攻撃を100%,偽陽性率5%以下で確実に検出できることを示す。
  論文  参考訳（メタデータ） (2020-11-04T07:44:51Z)

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。