Aug, 2023

应对新兴零触碰蜂窝网络上基于巧妙 MDT 的攻击的 AI 功能框架

PDF
TL;DR通过利用恶意的驱动测试报告（MDT）攻击受损用户设备（UE），本文调查了一种具有影响力的首创对策攻击，突出了此攻击对常见网络自动化功能性能的负面影响，并提出了一种用于检测和消除恶意 MDT 报告的新颖的 MRIF 框架，并通过一个实例验证了该防御机制可以为零触摸自组织网络引擎提供抵抗恶意 MDT 攻击的弹性和健壮性。
self-organizing networkzero touch automationminimization of drive test (mdt)adversarial attackmalicious mdt reports identification framework (mrif)
发现论文，激发创造
  • MTH-IDS：一种面向车联网的多层级混合入侵检测系统

    本文提出一种多层次混合式 IDS，其结合基于签名的 IDS 和基于异常的 IDS，以检测车载网络上已知和未知攻击，实验结果表明，该系统能够以 99.99％的准确度检测到各种类型的已知攻击，并且对于新攻击检测也非常有效。

    May, 2021

  • 一种采用新型通道增益和压缩的 CNN 的物联网恶意软件检测架构

    该研究提出了一种利用卷积神经网络进行物联网恶意软件检测的架构，并通过多种卷积操作和特征提取方法，取得较高的检测精度和安全性。

    Feb, 2022

  • SETTI：一种自监督的对抗式恶意软件检测架构在物联网环境中的应用

    本文提出了一种用于检测物联网网络中恶意软件的对抗自监督架构 SETTI，其中设计了三种自监督攻击技术，用于生成对抗样本。研究结果表明，使用对抗自监督训练进行防御可以保护对抗攻击。

    Apr, 2022

  • 针对物联网系统的安卓恶意软件检测系统中的对抗性样本

    提出了一种基于遗传算法的测试框架，能够生成对物联网 Android 应用进行黑盒测试的适用于学习的 Android 恶意软件检测系统的有效对抗样本。

    Feb, 2019

  • MTDeep: 以移动目标防御提升深度神经网络抵御对抗攻击的安全性

    本文提出了一种利用 Moving Target Defense（MTD）的元防御策略来提高深度神经网络（DNNs）在视觉分类任务中的鲁棒性，其中通过将策略交互组成 Bayesian Stackelberg Game（BSG）来确定选取哪个训练好的神经网络，实验证明 MTDeep 可以有效降低 MNIST、FashionMNIST 和 ImageNet 等数据集中被扰动图像的错误分类率，同时保持对于合法测试图像的高分类准确率，并且 MTDeep 能够与任何现有的防御机制一起使用。

    May, 2017

  • 5G 网络医疗物联网中安全聚类的智能信任云管理方法

    本文提出了一种智能信任云管理方法，以确保 5G 边缘计算和 D2D 启用 IoMT 系统中的安全和可靠通信，并能有效解决信任不确定性问题和提高恶意设备检测准确性。

    Jul, 2022

  • CyberForce: 基于联合强化学习的恶意软件缓解框架

    使用联邦强化学习 (FRL) 确定用于减轻各种零日攻击的适当移动目标防御 (MTD) 技术的 CyberForce 框架已成功应用于一个由十个物联网设备组成的联邦中，并展示了高准确性和较短的训练时间相比集中式强化学习 (RL) 代理的优势。

    Aug, 2023

  • DÏoT: 一种物联网联邦自学习异常检测系统

    本研究提出了 D"IoT，一种自主学习的分布式系统，用于有效检测受到攻击的 IoT 设备。它使用新颖的自学习方法将设备分类为设备类型，并为每个设备类型建立正常通信行为模式，以便随后检测通信模式中的异常偏差。该系统应用联邦学习方法高效地聚合行为文件，并可以应对出现的新的和未知的攻击。经过系统评估和大规模实验，该系统在检测受感染的 Mirai 恶意软件等方面表现高度有效（检测率为 95.6%），并且在实际智能家居环境中没有报告虚警。

    Apr, 2018

  • 零触碰网络：迈向下一代网络自动化

    零触式网络和服务管理（ZSM）框架是第五代（5G）及其之后（5G+）网络管理的新兴范式，通过自动化的自管理和自愈能力应对现代网络的日益复杂和不断增长的数据量。该研究通过综述零触式网络（ZTNs）的领域，探讨了 ZSM 框架中的网络优化、流量监控、能源效率和安全性等方面。研究发现，将自动化机器学习（AutoML）应用于 ZTNs 中，可以降低网络管理成本并提高性能。实验结果表明，AutoML 对于应用吞吐量的预测具有卓越的准确性。将 AutoML 与 ZSM 概念集成，显著降低了网络配置和管理工作量，使运营商能够更多地投入时间和资源到其他重要任务。该研究还提供了一个集成 AutoML 和 ZSM 概念的高层 5G 系统架构。研究突显了 ZTNs 和 AutoML 在改进 5G + 网络管理方面的潜力，实现自动化决策，并使网络运营商能够实现更高的效率、更好的性能和更优化的用户体验。

    Dec, 2023

  • 面向 5G/6G 网络的智能零信任架构：原则、挑战及机器学习在 O-RAN 环境下的作用

    本文讨论了在 5G/6G 通信网络中集成零信任 (ZT) 原则的关键性需求，提出了 i-ZTA 的概念作为 5G/6G 网络中的安全框架，并通过机器学习的方式，在实时监控网络状态、评估个别访问请求风险和决定访问授权等方面为未来网络设计提供了新的研究方向。

    May, 2021