Nov, 2023

基于贝叶斯网络模型推理分析的 5G 匿名干扰检测

PDF
TL;DR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。
发现论文，激发创造
  • 使用 CNN、k-nearest 邻居和支持向量机检测 5G 窄带干扰器

    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

  • 基于联邦学习的干扰器分类

    本文研究使用联合学习在每个设备上本地训练干扰信号分类器以进行隐私保护培训程序，以解决私人数据共享的挑战，并成功将六种不同类型的干扰源分类，结果可与需要大量数据通信的完全集中化的解决方案相比拟。

    Jun, 2023

  • 深度学习用于发起和缓解无线干扰攻击

    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

  • 基于广义似然比检测的私有 5G 网络中的单类分类作为干扰检测

    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

  • 一种认知无人机抗干扰的新资源分配方法：主动推理方法

    本文提出了一种基于主动推理的认知无线电资源分配策略，并以认知无人机为案例研究。在外部环境中，提出了一种主动广义动态贝叶斯网络来编码物理信号动态和无人机与干扰源之间的动态交互。通过避免出现令人惊异的状态（最小化异常值），将行动和规划视为贝叶斯推理问题进行求解。仿真实验表明，与传统的频率跳跃和 Q-learning 相比，提出的主动推理方法在最小化异常值（最大化奖励）方面非常有效，并具有很高的收敛速度。

    Aug, 2022

  • 多个无人机的鲁棒路径规划：基于深度强化学习

    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

  • 通过深度对抗神经网络架构和环境背散射增强通信来打败干扰器

    本研究通过使用神经网络、环境背散射通信等技术，设计了一种新型的深度强化学习算法，实现了优秀的反制干扰效果，提高了平均吞吐量 426% 并减少了 24% 的数据包丢失率，可以应用于 URLLC 和军事场景。

    Apr, 2019

  • 基于深度强化学习的无人机辅助抗干扰蜂窝通信

    本文提出了一种基于深度强化学习的无人机中继框架，旨在通过在动态博弈中使用以前的反干扰中继体验和观察到的当前网络状态来帮助移动用户抵御智能干扰，从而降低丢包率，提高能源利用效率。

    May, 2018

  • 用于 5G 射频领域中干扰检测的无线空中双阈值深度学习器

    使用深度学习和 RF 领域特征提取的双阈值检测方法，通过提取 PSS 相关性和 EPNRE 特征，用于区分正常和受干扰的 5G 信号，进一步优化了训练和检测效果，并通过实际测试结果验证了 DT-DDNN 的性能。

    Mar, 2024

  • 利用机器学习算法进行贝叶斯优化以实现异常检测

    该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

    Aug, 2020