論文の概要: Benchmarking Unsupervised Jamming Detection in 5G Open RAN

• arxiv url: http://arxiv.org/abs/2611.04369v1
• Date: Tue, 03 Nov 2026 05:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-10 01:31:19.835525
• Title: Benchmarking Unsupervised Jamming Detection in 5G Open RAN
• Title（参考訳）: 5GオープンRANにおける教師なしジャミング検出のベンチマーク
• Abstract要約: 電波周波数(RF)ジャミングは第5世代(5G)ネットワークを脅かす。 本稿では統計的および再構成に基づく教師なしジャミング検出器のベンチマークを行う。 SEMは、F1ランキングと整合して、すべての環境で第1位にランクインする。
• 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 (RF) jamming threatens fifth-generation (5G) networks. Open Radio Access Network (Open RAN) telemetry enables jamming detection without dedicated spectrum monitoring equipment, but labeled attack data are rarely available across deployments, motivating unsupervised detectors. Comparing such detectors across algorithmic families, however, remains difficult without ground-truth labels. This paper benchmarks statistical and reconstruction-based unsupervised jamming detectors using a symmetric evaluation interface that combines detection confidence and temporal interval coherence into a detector-independent composite score. We compare a Statistical Ensemble Method (SEM) detector against Vanilla, Long Short-Term Memory (LSTM), and Variational Autoencoder (VAE) baselines on Key Performance Indicator (KPI) telemetry from ten heterogeneous 5G environments with fixed and variable jamming bursts and dynamic jammer gains. Under leave-one-out (LOO) evaluation, SEM achieves a mean composite score of 0.906, compared with 0.688 for the best autoencoder (AE) per fold. Ground-truth validation yields a mean F1-score of 0.918 for SEM, compared with 0.521 for the best AE variant. The composite ranks SEM first in all environments, consistent with F1 rankings. However, in both within-trace and cross-trace evaluation, it fails for detectors that flag far fewer samples than the jamming prevalence, indicating that rankings are reliable only when detection rate matches the expected prevalence.
• Abstract（参考訳）: 電波周波数(RF)ジャミングは第5世代(5G)ネットワークを脅かす。 Open Radio Access Network (Open RAN)テレメトリは、専用のスペクトル監視装置なしでジャム検出を可能にするが、ラベル付きアタックデータは配置全体にわたって利用することは滅多になく、教師なしの検出器を動機付けている。 しかし、これらの検出器をアルゴリズムファミリで比較することは、地絡ラベルなしでは難しいままである。 本稿では,検出信頼度と時間間隔コヒーレンスを組み合わせた対称性評価インタフェースを用いて,統計的および再構成に基づく教師なしジャミング検出装置のベンチマークを行う。 我々は,Vanilla,Long Short-Term Memory (LSTM),およびVAEベースラインを,不均質な10つの5G環境から抽出した可変ジャムバーストと動的ジャムマーゲインを用いて,統計的アンサンブル法(SEM)を比較検討した。 LOO (Left-one-out) 評価では、SEM は平均合成スコア 0.906 を達成し、0.688 は最も優れたオートエンコーダ (AE) である。 SEMでは平均F1スコアが0.918であり、AEでは0.521である。 合成式は、F1ランキングと整合して、すべての環境でSEMを最初にランク付けする。 しかし、トラス内およびクロストラス評価の両方において、ジャミングの頻度よりもはるかに少ないサンプルをフラグする検出器には失敗し、検出率が期待値と一致する場合にのみ、ランキングが信頼性が高いことを示す。

関連論文リスト

• O-RAN-Native Jamming Detection Under Network Heterogeneity [42.727584386619895]
  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。
  論文  参考訳（メタデータ） (2026-10-14T19:00:48Z)
• Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
  証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。 我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
  論文  参考訳（メタデータ） (2026-09-27T13:01:02Z)
• What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
  異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
  論文  参考訳（メタデータ） (2026-08-03T19:35:00Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Cross-Layer Intrusion Detection in 5G O-RAN: Gains and Limits of Fusing Radio Telemetry with Network Flow Records [2.992414059774663]
  オープンRANデアグリゲーションは、DUラジオテレメトリとCU側ネットワークフローレコードのジョイント分析を可能にする。 これら2つのモダリティの融合が7つのアーキテクチャで個別に改善されるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-06-21T11:48:23Z)
• Quantum Machine Learning for Cyber-Physical Anomaly Detection in Unmanned Aerial Vehicles: A Leakage-Free Evaluation with Proxy-Audited Feature Sets [0.0]
  無人航空機(英語: Unmanned Aviation Vehicle、UAV)は、ネットワーク化されたアビオニクスとオンボードセンサー融合にまたがるサイバー物理システムである。 マルチセンサTLM:UAVベンチマークを用いて,UAV異常検出のための量子機械学習のリークフリー評価を行う。
  論文  参考訳（メタデータ） (2026-05-19T01:05:16Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。