Analiza wpływu ataków zatruwających na detekcję zasobów radiowych bazujących na uczeniu federacyjnym

• Autorzy: Wasilewska Małgorzata , Bogucka Hanna

Identyfikatory

DOI

10.15199/59.2023.4.42

Warianty tytułu

EN

Analysis of the impact of poisoning attacks on federated learning-based radio resource sensing

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (20-22.09.2023 ; Kraków, Polska)
• Języki publikacji: PL

Abstrakty

PL

W niniejszym artykule przedstawiono wyniki badań i analizy wpływu ataków zatruwających odwracających etykiety (ang. label-flipping) na uczenie federacyjne w zastosowaniu dla detekcji zajętości zasobów radiowych. Badania przeprowadzono zarówno dla ataków skoordynowanych jak i losowych, przy zmiennym stosunku liczby użytkowników atakujących do liczby użytkowników uczciwych oraz różnym stopniu agresywności i czasie trwania ataków. Badania skupiają się na porównaniu skuteczności algorytmu detekcji zasobów radiowych przed i po przeprowadzonych atakach.

EN

This paper presents the research results and analysis of the impact of poisoning label-flipping attacks on federated learning for spectrum sensing. The experiments have been executed for random and coordinated attacks for varying attackers-to-genuine-users ratios, different levels of aggressiveness, and time duration of attacks. The results have been obtained by comparing spectrum sensing machine learning model performance with and without attacks.

Słowa kluczowe

PL

uczenie maszynowe; uczenie federacyjne; atak zatruwający; detekcja zasobów widmowych

EN

machine learning; federated learning; poisoning attack; spectrum sensing

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2023
• Tom: nr 4
• Strony: 198--203
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Wasilewska Małgorzata

• Instytut Radiokomunikacji, Politechnika Poznańska, Poznań
• RIMEDO Labs Polska

autor

Bogucka Hanna

• Instytut Radiokomunikacji, Politechnika Poznańska, Poznań
• RIMEDO Labs Polska

Bibliografia

• [1] Aryal, K., Gupta, M., & Abdelsalam, M. (2022). Analysis of Label-Flip Poisoning Attack on Machine Learning Based Malware Detector. In 2022 IEEE International Conference on Big Data (Big Data) (pp. 4236-4245). IEEE.
• [2] Li, D., Wong, W. E., Wang, W., Yao, Y., & Chau, M. (2021, August). Detection and mitigation of label flipping attacks in federated learning systems with KPCA and K-means. In 2021 8th International Conference on Dependable Systems and Their Applications (DSA) (pp. 551-559). IEEE.
• [3] Chen, M., Gündüz, D., Huang, K., Saad, W., Bennis, M., Feljan, A. V., & Poor, H. V. (2021). Distributed learning in wireless networks: Recent progress and future challenges. IEEE Journal on Selected Areas in Communications, 39(12), 3579-3605.
• [4] Richards, C., Khemani, S., & Li, F. (2022, October). Evaluation of Various Defense Techniques Against Targeted Poisoning Attacks in Federated Learning. In 2022 IEEE 19th International Conference on Mobile Ad Hoc and Smart Systems (MASS) (pp. 693- 698). IEEE.
• [5] Song, L. & Shen, J. (2010). Evolved Cellular Network Planning and Optimization for UMTS and LTE. CRC Press: Boca Raton, FL, USA, 56–58.
• [6] Chen, Z., Xu, Y. Q., Wang, H., & Guo, D. (2021). Federated learning-based cooperative spectrum sensing in cognitive radio. IEEE Communications Letters, 26(2), 330-334.
• [7] Wasilewska, M., Bogucka, H., & Kliks, A. (2021). Federated learning for 5G radio spectrum sensing. Sensors, 22(1), 198.
• [8] Uprety, A., & Rawat, D. B. (2021). Mitigating poisoning attack in federated learning. In 2021 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 01-07). IEEE.
• [9] Liu, X., Li, H., Xu, G., Chen, Z., Huang, X., & Lu, R. (2021). Privacy-enhanced federated learning against poisoning adversaries. IEEE Transactions on Information Forensics and Security, 16, 4574-4588.
• [10] Wasilewska, M., Bogucka, H., & Poor, H. V. (2023). Secure Federated Learning for Cognitive Radio Sensing. IEEE Communications Magazine, 61(3), 68

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).