May, 2024

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

PDF
TL;DR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。
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

  • 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

  • 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

  • 基于深度学习的无线电信号分类的对抗攻击

    本文研究了深度学习在无线电信号分类中的应用和安全性问题，通过白盒和黑盒对抗攻击使模型分类性能显著下降，与传统的干扰攻击相比，这些攻击更加强大。

    Aug, 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

  • 使用深度学习对 LoRa 设备识别和恶意信号检测进行的对抗性攻击

    该论文研究了一种深度学习框架来解决 LoRa 网络的安全挑战，包括设备识别和合法与伪装信号分类任务。研究结果表明对于不同 LoRa 信号分类任务的敌对攻击具有一定的传递性，并强调了使物联网应用抵御敌对攻击的必要性。

    Dec, 2023

  • 基于不确定性四元组选择的 GNSS 数据干扰分类的小样本学习

    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

  • 基于物理信道记录的 5G NSA 加密数据流实时流量分类

    本文研究使用物理信道记录进行 5G 非独立组网 (NSA) 应用层加密流量的实时分类。通过测试多种机器学习模型，提出了一种基于 LGBM 的解决方案，实验表明该算法可以在 10ms 内实现 95％的准确率。

    Jul, 2023

  • 基于数据驱动的软件定义无线电下未经身份验证用户的低功率通信信号分类

    本文讨论了基于低功率通信网络的大规模分布式多智能体系统中的拒绝服务攻击问题，并利用神经网络，将推测目标信号的带宽和扩频因子的问题转化为分类问题进行高效实现。

    Sep, 2023