قسمتی از متن ترجمه مقاله بهبود وضعیت مواد در ردیابی حملات امنیت سایبری در سیستم های بی‌سیم 5G
- چکیده
- کلمات کلیدی
- 1 مقدمه
- 2 مدل سیستم
- 3 نتایج و بحث‌ها
- 4 جمع‌بندی‌ها
- بیانیه مشارکت در تالیف CRediT
- اظهار منافع رقابتی
- منابع
- Abstract
- Keywords
- 1. Introduction
- 2. System model
- 3. Results and discussions
- 4. Conclusions
- CRediT authorship contribution statement
- Declaration of Competing Interest
- References
چکیده
استفاده از اطلاعات کانال رادیویی در تشخیص حمله دروغین در ارتباطات بی‌سیم 5G مفید است. این مفهوم برای طیف وسیعی از کاربردها برای محیط اینترنت اشیا (IoT) توسط کاربران و دستگاه‌های اینترنت اشیاء آن‌ها مورد استفاده قرار گرفته‌است. اما چگونگی به حداقل رساندن اثرات تهدیدات سایبری در شبکه‌های واقعا پیچیده هنوز به اندازه کافی مورد توجه قرار نگرفته است. همانطور که در مورد شبکه‌های باند وسیع 5G به دلیل تنوع گسترده‌ای از تکنولوژی در مراحل مختلف انتزاعی وجود دارد این شبکه‌ها به طور جدی در معرض خطر قرار دارند. از آنجا که اینترنت اشیاء 5G محیط 5G ، شامل پس‌زمینه اینترنت اشیاء است در این مقاله ما یک هوش مصنوعی (AI) هستیم که برای به حداقل رساندن تاثیر تهدیدات 5G اینترنت اشیاء در زمانی که به شرکت کنندگان درگیر در چند سطح تعمیم داده می‌شود در نظر گرفته شده‌است. این مقاله از الگوریتم احراز هویت مبتنی بر ماشین بردار پشتیبان (SVM) مبتنی بر لایه فیزیکی (PHYlayer) برای تشخیص حملات امنیتی احتمالی در ارتباطات بی‌سیم 5G در لایه فیزیکی استفاده می‌کند. این روش در افزایش سرعت احراز هویت با ویژگی‌های تست مورد استفاده قرار می‌گیرد. نرخ تشخیص با ویژگی‌های آماری تست بیشتر بهبود می‌یابد. این مدل بر روی کانال چند ورودی – چند خروجی (MIMO) اجرا شده‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی نرخ تشخیص بالایی در تمامی حملات دارد.
کلمات کلیدی : اینترنت اشیاء(IOT) ، 5G ، یادگیری ماشین ، لایه فیزیکی
Abstract
The utilization of information from the radio channel is useful in detecting the spoofing attacksin 5G wireless communications. This concept has been used for a wide range of uses for the Internet of Things (IoT) environment by users and their IoT devices. But how these tasks can minimise the effects of cyber threats in genuinely complex networks has not yet been sufficiently addressed. These are seriously exposed, as is the case with 5G broadband networks due to a wide variety of technology at various abstract stages. As 5G IoT is the 5G environment, including the IoT background, in this article, we are an artificial intelligence (AI) intended to minimise the impact of 5G IoT threats, when extended to the participants involved on a number of levels.This paper uses Support Vector Machine (SVM) based PHY-layer authentication algorithm to detect the possible security attacks in 5G wireless communication at physical layer. It is utilized in increasing the rate of authentication with test features. The detection rate is improved further with test statistic features. The model is implemented on multiple-input multiple-output (MIMO) channel. The simulation results shows that the proposed method yield the high detection rate on all attacks.
Keywords:
Internet of Things (IoT)
5G
Machine learning
Physical layer
در این مقاله ما از الگوریتم احراز هویت لایه فیزیکی مبتنی بر SVM برای تشخیص حملات امنیتی احتمالی در ارتباطات بی‌سیم 5G استفاده می‌کنیم. از آن در لایه فیزیکی برای افزایش نرخ احراز هویت با ویژگی‌های تست استفاده می‌شود. نرخ تشخیص در گیرنده با ویژگی‌های آماری تست بیشتر بهبود می‌یابد. این مدل بر روی کانال MIMO پیاده‌سازی شده‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی عملکرد بالایی با نرخ تشخیص بهبود یافته دارد.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.