基于联邦学习的干扰机分类
机器学习
2023-06-06 v1 密码学与安全
摘要
干扰信号会危及GNSS接收机的运行直至使其失效。鉴于其普遍性,干扰缓解与定位技术至关重要,而干扰机分类对此有所帮助。数据驱动模型已被证明在检测这些威胁方面有用,而使用众包数据训练时,在私有数据共享方面仍存在挑战。本文研究了使用联邦学习在每个设备上本地训练干扰信号分类器,模型更新在中心服务器上聚合与平均。这允许了不需集中数据存储或访问客户端本地数据的隐私保护训练过程。所使用的框架FedAvg在一个由模拟受干扰GNSS信号的频谱图图像组成的数据集上进行了评估。六种不同干扰机类型被有效分类,结果与需要大量数据通信且涉及隐私保护问题的完全集中式方案相当。
引用
@article{arxiv.2306.02587,
title = {Jammer classification with Federated Learning},
author = {Peng Wu and Helena Calatrava and Tales Imbiriba and Pau Closas},
journal= {arXiv preprint arXiv:2306.02587},
year = {2023}
}