文献

J-GLOBAL ID：202202228932485746   整理番号：22A1086352

攻撃者がAIに出会うとき:協調スペクトルセンシングにおける学習-エンパワー攻撃【JST・京大機械翻訳】

When Attackers Meet AI: Learning-Empowered Attacks in Cooperative Spectrum Sensing

著者 (5件)： Luo Zhengping (Department of Electrical Engineering, University of South Florida, Tampa, FL, USA) ,  Zhao Shangqing (Department of Electrical Engineering, University of South Florida, Tampa, FL, USA) ,  Lu Zhuo (Department of Electrical Engineering, University of South Florida, Tampa, FL, USA) ,  Xu Jie (Department of Electrical and Computer Engineering, University of Miami, Coral Gables, FL, USA) ,  Sagduyu Yalin E. (Intelligent Automation Inc, Rockville, MD, USA)
資料名： IEEE Transactions on Mobile Computing  (IEEE Transactions on Mobile Computing)
巻： 21  号： 5  ページ： 1892-1908  発行年： 2022年 
JST資料番号： W1357A  ISSN： 1536-1233  CODEN： ITMCCJ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 防衛戦略は,融合センターにスペクトルセンシングデータのファル化バージョンを送ることで協調スペクトルセンシングを混乱させる目的で,ビザンチン攻撃と戦うためによく研究されている。しかしながら,既存の研究は,通常,攻撃の事前知識が既知または固定されていると仮定して,受動エンティティとしてネットワークまたは攻撃者を通常想定する。実際には,攻撃者は任意の行動を能動的に採用し,防御戦略によって使われる事前推定パターンまたは仮定を避けることができる。本論文では,このセキュリティ脆弱性を敵対的機械学習問題として再考し,融合中心を誤リードする学習-評価(LEB)という新しい学習-電力攻撃フレームワークを提案した。協同的スペクトルセンシングにおける融合中心のブラックボックス特性に基づき,著者らの新しい展望は,融合センター決定モデルの代理モデルを構築するために,機械学習の敵対的利用を行うことである。この代理モデルを用いて悪意のあるセンシングデータを作成するための一般的なアルゴリズムを提案した。著者らの実世界実験は,LEB攻撃が,最大82パーセントの成功率で,広範囲の既存の防御戦略に有効であることを示した。提案したLEB攻撃と既存の防御の間のギャップを考慮して,著者らは,LEB攻撃または他の類似攻撃に対して防御するために既存の防御と共存できる,影響制限防御と呼ばれる非侵襲的方法を導入した。この防御は高度に有効であり,LEB攻撃の全破壊比を80%まで低減することを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  検出 ,  *学習 ,  電力 ,  ネットワーク ,  戦略 ,  知識 ,  ブラックボックス ,  機械学習 ,  *サイバー攻撃
準シソーラス用語： 防衛 ,  事前知識 ,  *スペクトル検出 ,  エンティティ ,  *協調スペクトルセンシング ,  *攻撃者 , 【Automatic Indexing@JST】

分類 (4件)： データ保護  (JD01020V) ,  計算機網  (JC03000K) ,  マイクロ波・ミリ波通信  (ND08020W) ,  移動通信  (ND08030H)

タイトルに関連する用語 (6件)： 攻撃者 ,  AI ,  協調スペクトルセンシング ,  学習 ,  パワー ,  攻撃