PCA-Featured Transformer for Jamming Detection in 5G UAV Networks

要約

無人航空機（UAV）は、攻撃攻撃から大きなセキュリティリスクに直面しており、ネットワーク機能を損なう可能性があります。
従来の検出方法は、AIを搭載したジャミングに直面すると、その動作を動的に修正するときに不足することがよくありますが、現代の機械学習アプローチでは、攻撃署名の一時的なパターンとの実質的な機能エンジニアリングと闘いを頻繁に必要とします。
脆弱性は、時間分割デュプレックス（TDD）または周波数分割デュプレックス（FDD）を使用して5Gネットワ​​ークに拡張され、意図的な干渉によりサービスの品質が悪化する可能性があります。
主成分分析（PCA）を活用して、ワイヤレスセキュリティを改善するための特徴表現を改良する新しいU字型変圧器アーキテクチャを紹介します。
トレーニングプロセスは、出力エントロピーの不確実性を損失関数に組み込むことにより正規化されます。これは、堅牢なジャミング検出技術を可能にするために、補強学習（RL）にソフトアクタークリティック（SAC）アルゴリズムに触発されたメカニズムです。
アーキテクチャは、受信信号強度インジケーター（RSSI）や信号対干渉と雑音比（SINR）測定を含む重要なワイヤレス信号機能を処理するように特別に設計された修正されたトランスエンコーダーを備えています。
これを、ワイヤレス信号の固有の周期性を特異的に説明するカスタム位置エンコードメカニズムで補完し、時間的信号パターンのより正確な表現を可能にします。
さらに、バッチサイズのスケジューラを提案し、時系列データの収束を最適化するためのチャンキングテクニックを実装します。
これらの進歩は、この研究で導入された高度なU字型エンコーダデコーダートランスモデル内で、トレーニング速度の最大10倍の改善に貢献しています。
実験的評価は、エントロピーベースのアプローチの有効性を示しており、NLOSシナリオで85.06％の検出率を達成しています。

要約(オリジナル)

Unmanned Aerial Vehicles (UAVs) face significant security risks from jamming attacks, which can compromise network functionality. Traditional detection methods often fall short when confronting AI-powered jamming that dynamically modifies its behavior, while contemporary machine learning approaches frequently demand substantial feature engineering and struggle with temporal patterns in attack signatures. The vulnerability extends to 5G networks employing Time Division Duplex (TDD) or Frequency Division Duplex (FDD), where service quality may deteriorate due to deliberate interference. We introduce a novel U-shaped transformer architecture that leverages Principal Component Analysis (PCA) to refine feature representations for improved wireless security. The training process is regularized by incorporating the output entropy uncertainty into the loss function, a mechanism inspired by the Soft Actor-Critic (SAC) algorithm in Reinforcement Learning (RL) to enable robust jamming detection techniques. The architecture features a modified transformer encoder specially designed to process critical wireless signal features, including Received Signal Strength Indicator (RSSI) and Signal-to- Interference-plus-Noise Ratio (SINR) measurements. We complement this with a custom positional encoding mechanism that specifically accounts for the inherent periodicity of wireless signals,enabling a more accurate representation of temporal signal patterns. In addition, we propose a batch size scheduler and implement chunking techniques to optimize convergence for time series data. These advancements contribute to up to a ten times improvement in training speed within the advanced U-shaped encoder-decoder transformer model introduced in this study. Experimental evaluations demonstrate the effectiveness of our entropy-based approach, achieving detection rates of 85.06% in NLoS scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google