基于联邦学习的干扰器分类
使用对抗机器学习对无线通信进行干扰攻击,通过深度学习分类器可靠预测下一个成功的传输并有效地干扰。开发了生成对抗网络以减少获取训练数据集的时间。作为一种防御方案,传输机故意采取一些错误的动作来干扰干扰器的可靠分类器,从而增加其吞吐量。
Jul, 2018
我们提出了一种少样本学习方法来适应新的干扰类别,通过使用各种正面和负面干扰类别进行模型表示的四重选择。此外,我们的四重选择方法根据随机性和认识性不确定性选择配对,以区分相似类别。在一个有八种干扰类别的高速公路数据集上,我们的少样本学习方法使用四重选择损失,在干扰源分类准确性方面表现优于其他少样本学习技术,达到 97.66%。
Feb, 2024
通过分析具有专用设备的无线电信号,我们提出了一种用于检测干扰攻击的方法,并使用卷积神经网络 (CNN) 作为检测器实现广义最大似然比准则 (GLRT)。通过使用包括真实合法信号和人工生成的模拟不同类型干扰信号的数据集训练 CNN,我们评估了该检测器的性能,并展示了其在检测干扰攻击方面的有效性。
May, 2024
本文介绍了一个基于 5G 协议栈中信号参数的匿名干扰检测模型,该系统通过监督学习和无监督学习实时高精度地检测干扰,包括未知类型干扰。监督模型的 AUC 为 0.964 至 1,相比之下,LSTM 模型的 AUC 为 0.923 至 1。然而,需要数据标注限制了监督方法的应用。为解决这个问题,本文提出了一种无监督的基于自编码器的异常检测方法,其 AUC 为 0.987。该方法对抗对抗性训练样本具有抵抗性。为了提高透明度和领域知识注入,还引入了基于贝叶斯网络的因果分析。
Nov, 2023
在基于机器学习的在线观测系统中,利用预训练的机器学习模型在物理层检测 5G 蜂窝网络中特定控制子通道的窄带干扰攻击,研究了卷积神经网络与支持向量机和 k 最近邻方法相结合使用主成分分析的性能差异。
May, 2024
本研究针对分布式联邦学习过程中的干扰攻击,提出了两种攻击场景并设计了相应算法。在用无线信号分类作为案例的评估中,本研究发现,干扰攻击显著降低了分布式联邦学习的性能,需要进行相关漏洞研究和安全部署。
Jan, 2023
用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题,本文提出了一种基于估计方案的设备选择算法,以最小化类别不平衡来提高联邦学习全局模型的收敛性能。
Nov, 2020
本研究旨在针对移动干扰器存在的情况下,寻找多个航空无人机与地面基站的连通性且避开碰撞的路径。我们提出了一种利用离线时间差异学习算法和在线信噪比映射解决该问题的方案。结果表明,在没有干扰器信息的情况下,我们提出的算法可以高效地避免碰撞并实现实时的多无人机导航任务。
Apr, 2021
该研究提出了一种基于声誉的威胁缓解框架,针对联邦学习中的脑电图(EEG)信号分类的潜在安全威胁进行防御。实验证明该框架在 EEG 信号分类方面表现良好,同时降低了与安全威胁相关的风险。
Oct, 2023
本文提出了五种深度神经网络输入输出处理方法,增加其应用于 5G UAV 安全数据集的输出准确性和可靠性,并且探讨了不同的评估度量以及其中的权衡,结果表明预处理、后置处理和置信度处理都可以提高 DNN 的可靠性和准确性,而且置信度校准,即通过均衡 MC、MA 和 RS 之间的差异实现增强的可靠性,可以使用潜在方法来取代 DNN 中的 Softmax 层分类。
Nov, 2022