基于可观测网络参数的 5G 无人机攻击合成数据集
网络与互联网体系结构
2022-11-18 v1 机器学习
摘要
合成数据集对机器学习研究者大有裨益，因为可以在训练和测试阶段尝试新策略和算法。这些数据集可轻松包含更多场景，用真实数据研究这些场景可能成本高昂，或者根据合成数据质量，可补充并在某些情况下替代真实数据测量。它们还能解决数据不平衡问题、避免过拟合，并可用于训练而用真实数据测试。在本文中，据我们所知，我们提出了首个基于以下指示功率水平的关键可观测网络参数的 5G 及更高版本网络中无人机（UAV）攻击合成数据集：接收信号强度指示（RSSI）和信干噪比（SINR）。该数据的主要目标是支持面向无人机通信安全的深度网络开发，特别是用于算法开发或应用于无人机攻击识别的时间序列数据分析。我们提出的数据集提供了在城市场景中静态或移动无人机攻击者瞄准已认证无人机时网络功能的洞察。该数据集还考虑了网络中已认证地面用户的存在与缺失，这可能会降低深度网络识别攻击的能力。此外，该数据为机器学习和统计研究中 5G 物理层与 MAC 层可用度量提供了更深入的理解。数据集将发布于 archive-beta.ics.uci.edu。
引用
@article{arxiv.2211.09706,
title = {A Synthetic Dataset for 5G UAV Attacks Based on Observable Network Parameters},
author = {Joseanne Viana and Hamed Farkhari and Pedro Sebastiao and Sandra Lagen and Katerina Koutlia and Biljana Bojovic and Rui Dinis},
journal= {arXiv preprint arXiv:2211.09706},
year = {2022}
}
备注
6 pages, 4 figures, 1 table