論文の概要: O-RAN-Native Jamming Detection Under Network Heterogeneity

• arxiv url: http://arxiv.org/abs/2610.20816v1
• Date: Wed, 14 Oct 2026 19:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.030172
• Title: O-RAN-Native Jamming Detection Under Network Heterogeneity
• Title（参考訳）: ネットワーク不均一性を考慮したO-RAN-Native Jamming検出
• Abstract要約: 電波ジャミングは、競合環境におけるセルラーネットワークの動作を脅かす。 我々は,適応MADベースライン検出,カウントベース異常検出,急激な変化検出を組み合わせた統計的アンサンブル法(SEM)を提案する。 SEMは2つのモードで動作し、即時展開のためにラベル付きデータを必要としないコールドスタートモードと、パラメータをオフラインで洗練する教師付きモードである。
• 参考スコア（独自算出の注目度）: 42.727584386619895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio-frequency jamming threatens cellular network operations in contested environments. The Open Radio Access Network (O-RAN) architecture exposes per-User Equipment (UE) telemetry through the E2 interface, enabling Key Performance Indicator (KPI)-based jamming detection without proprietary hardware. However, operational deployment demands detection methods that generalize across heterogeneous networks. We propose a Statistical Ensemble Method (SEM) combining adaptive Median Absolute Deviation (MAD)-based baseline detection, count-based anomaly detection, and abrupt change detection through a weighted voting system. SEM operates in two modes: a cold-start mode requiring no labeled data for immediate deployment, and a supervised mode where parameters are refined offline via grid search as labeled data accumulates. We evaluate SEM against five machine learning (ML) classifiers and five deep learning (DL) sequence models using approximately 25 hours of testbed data comprising logs from eight heterogeneous 5G environments, employing both single-environment and multi-environment leave-one-out (LOO) validation. Our analysis indicates that under conditions not encountered during training (distribution shift), learning-based models tend to lose recall and miss jamming events, whereas SEM, even in cold-start mode, maintains detection capabilities at the cost of false alarms. Furthermore, SEM's parameter optimization can be mapped to O-RAN's Non-RT RIC as an rApp for continuous refinement, allowing operators to transition to learning-based alternatives once corpus coverage is sufficient.
• Abstract（参考訳）: 電波ジャミングは、競合環境におけるセルラーネットワークの動作を脅かす。 Open Radio Access Network (O-RAN) アーキテクチャは、E2インターフェースを通じてユーザ機器(UE)ごとのテレメトリを公開し、キーパフォーマンスインジケータ(KPI)ベースのジャミング検出をプロプライエタリなハードウェアなしで実現する。 しかし、運用展開には異種ネットワークをまたいで一般化する検出方法が必要である。 本稿では, 適応型メディア絶対偏差(MAD)に基づくベースライン検出, カウントベース異常検出, および重み付き投票システムによる急激な変化検出を組み合わせた統計的アンサンブル手法を提案する。 SEMは2つのモードで動作する: ラベル付きデータを必要としないコールドスタートモードと、ラベル付きデータが蓄積されるにつれてグリッドサーチを介してパラメータをオフラインで洗練する教師付きモードである。 SEMは,5つの機械学習(ML)分類器と5つのディープラーニング(DL)シーケンスモデルに対して,8つの異種5G環境のログからなる約25時間のテストベッドデータを用いて評価し,単一環境と複数環境のLeft-out(LOO)バリデーションを併用した。 分析の結果,学習ベースモデルでは,トレーニング中に発生しない条件(分布シフト)下では,リコールやジャミングイベントの欠落が生じる傾向にあるが,コールドスタートモードにおいても,誤報のコストで検出能力を維持することが示唆された。 さらに、SEMのパラメータ最適化は、継続改善のためのrAppとしてO-RANのNon-RT RICにマッピングできるため、コーパスカバレッジが十分であれば、オペレータは学習ベースの代替品に移行することができる。

関連論文リスト

• Scalable Context-Aware Graph Attention for Unsupervised Anomaly Detection in Large-Scale Mobile Networks [0.5219568203653523]
  多数のネットワーク要素をまたいだ単一の共有モデルとして動作するように設計された異常検出フレームワーク。 モデルは、時間的および機能的なグラフの注意と、軽量な静的および動的コンテキスト条件付けを組み合わせる。 要素ごとの異常スコアを生成し、検証残差から完全に教師なしのしきい値を通じて警告に変換する。
  論文  参考訳（メタデータ） (2026-05-01T07:43:14Z)
• Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
  本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
  論文  参考訳（メタデータ） (2026-03-28T20:15:50Z)
• Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
  異常検出は通常、一級分類問題として定式化される。 本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
  論文  参考訳（メタデータ） (2026-02-13T16:54:12Z)
• A Demonstration of Self-Adaptive Jamming Attack Detection in AI/ML Integrated O-RAN [2.1698490675188213]
  妨害攻撃は ネットワーク性能を著しく低下させる 本稿では,自己適応型ジャマ検出フレームワークであるSAJDについて述べる。 SAJDは、精度と適応性の観点から、最先端のジャミング検出xAppよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-10T00:18:00Z)
• SAJD: Self-Adaptive Jamming Attack Detection in AI/ML Integrated 5G O-RAN Networks [2.1698490675188213]
  妨害攻撃はネットワーク性能を著しく損なう可能性があり、O-RANネットワークのセキュリティと信頼性に対する顕著な脅威となる。 本稿では,人工知能(AI)/機械学習(ML)統合O-RAN環境におけるジャム攻撃を自律的に検出する,自己適応型ジャムマー検出フレームワークであるSAJDを紹介する。 SAJDフレームワークは,開発したMLベースのxAppを介して,電波妨害のほぼリアルタイムな推測を含む閉ループシステムを形成する。
  論文  参考訳（メタデータ） (2025-10-10T00:09:09Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
  本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。 本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。 モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
  論文  参考訳（メタデータ） (2024-11-05T07:01:15Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)

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。