May, 2024

使用 CNN、k-nearest 邻居和支持向量机检测 5G 窄带干扰器

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于贝叶斯网络模型推理分析的 5G 匿名干扰检测

    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

  • 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

  • 未知和动态频谱环境下的无线电信号分类深度学习

    本文提出了一种基于深度学习和信号分类技术的动态频谱接入方案，能够在无线网络中精确检测和分类干扰源，并应用于分布式调度协议中，提高网络吞吐量和用户成功率。

    Sep, 2019

  • 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

  • 应用深度学习对 3.5GHz 频段频谱图进行分类及其对于频谱感知的应用

    本文研究了在 3.5 GHz 频段内使用 13 种不同的算法（包括信号检测理论和机器学习）以及深度学习架构进行 SPN-43 雷达检测的性能表现，并发现机器学习算法优于传统信号检测方法。

    Jun, 2018

  • 5G 网络分片：多个机器学习分类器的分析

    一篇关于 5G 网络切片的研究论文，评估了包括逻辑回归模型、线性判别模型、k 最近邻模型、决策树模型、随机森林模型、SVC BernoulliNB 模型和 GaussianNB 模型在检测网络切片准确度和精确度方面的各种机器学习技术，并提供了 5G 网络切片的概述。

    Oct, 2023

  • 快速深度学习自动调制识别

    本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性，提出了三种神经网络架构进行分类，并探讨了减少训练时间的算法和技术，实现了在高信噪比下的在线分类。

    Jan, 2019

  • 基于校准不确定性的 5G 无人机干扰识别准确可靠方法

    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

  • 使用卷积神经网络识别无线干扰

    本文提出了基于深度卷积神经网络的无线干扰识别方法，该方法在信噪比至少为 - 5 dB 时具有大于 95％的分类准确性，适用于 IEEE 802.11 b /g，IEEE 802.15.4 和 IEEE 802.15.1 网络的重叠频率通道。

    Mar, 2017