Mar, 2024

通过零信任架构增强无人机安全：先进的深度学习和可解释的人工智能分析

PDF
TL;DR该研究强调了在无人机领域中实施零信任架构（ZTA）以增强安全性的必要性，通过使用深度学习框架中的射频（RF）信号进行无人机的精确识别，结合可解释的人工智能工具（如 SHAP 和 LIME），确保无人机的分类可验证和可理解，从而提高了安全性。
发现论文，激发创造
  • 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

  • 强大的零信任体系结构：联合基于区块链的联邦学习和基于异常检测的框架

    通过区块链分布式学习和异常检测技术，提出了一个适用于物联网网络的强韧的零信任体系结构，可用于高效的远程工作和协作。该体系结构整合了异常检测和信任计算，保证了去中心化环境中的设备协同工作的安全性和可靠性。

    Jun, 2024

  • 保障天空：具有 AoI 感知的 IRS 辅助安全多无人机系统和高效任务卸载

    本研究论文讨论了无人机网络数据新鲜度和安全性的挑战，引入了基于变换增强深度强化学习方法的框架以解决窃听和干扰问题，并通过与现有算法的对比分析展示了其在无人机网络管理方面的优越性和前景。

    Apr, 2024

  • 无人机即服务：推进空地一体化网络的边缘智能

    本文提出了一种名为 UaaS 的无人机服务架构，利用机器学习技术通过无人机智能地提供无线通信服务、边缘计算服务和边缘缓存服务，实现了 6G 网络中智能分配各种服务的目标，并在多个地面用户分布式机器学习模型训练中进行了案例研究，证明了其高效和可行性。

    Mar, 2020

  • TAU: 利用人工智能和无人机的基于视频的交通分析框架

    本文介绍了一种名为 TAU 的智能交通系统，使用人工智能和无人机技术来实现自动化的交通分析和理解，可以高效准确地进行车辆检测、追踪、速度计算以及交通区域内车辆数量的计算，并且能从原始数据中提取 24 种类型的信息。

    Mar, 2023

  • 基于协作强化学习的无人机（UAV）三维轨迹设计及跟踪

    本文研究使用一个主动无人机和四个被动无人机实时定位一个三维目标无人机的问题，并提出了基于 Z 函数分解的强化学习方法，通过优化无人机的轨迹和主动无人机的发送功率，以最大化目标无人机的定位精度。仿真结果表明，所提出的 ZD-RL 方法相对于 VD-RL 和独立深度 RL 方法，可以减小定位误差多达 39.4% 和 64.6%。

    Jan, 2024

  • TRUST XAI: 模型无关的人工智能解释及工业物联网安全案例研究

    提出了一种通用的解释型 AI 模型 TRUST，采用因子分析、互信息和多模态高斯分布等方法，用于解释海量数字数据应用中黑盒子型 AI 的输出，案例研究表明该模型在工业物联网网络安全领域表现良好，对新的样本的解释成功率平均可达到 98%，且在性能、速度和解释方式等方面优于流行的 LIME 模型。

    May, 2022

  • 基于可解释的深度强化学习的无人机导航与规划中的鲁棒性对抗攻击检测

    采用可解释的深度学习方法为指导和规划的无人机构建了一个仿真环境，其中包括障碍和对抗性攻击，并建立了对此的对抗性攻击检测器

    Jun, 2022

  • 增强自主无人机导航的隐私和安全性

    提出了一种结合强化学习和全同态加密的创新方法，用于实现安全的自主无人机导航，通过对实时视频进行全同态加密推理，保证了安全性和隐私性。

    Apr, 2024

  • 5G 无人机场景下的深度注意力识别：新颖架构和端到端评估

    提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

    Mar, 2023