English(EN) Toward Resilient 5G Networks: Comparative Analysis of Federated and Centralized Learning for RF Jamming Detection

联邦学习框架以97%的准确率增强5G干扰检测能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-05 04:00

研究人员开发了一个联邦学习框架，用于检测5G网络中的射频（RF）干扰攻击。该方法使用同步信号块（SSB）的同相（In-phase）和正交（Quadrature）样本来训练一维卷积神经网络（CNN），从而在不共享原始信号数据的情况下，实现用户设备之间的协作模型训练。联邦学习方法达到了97%的准确率和F1分数，在保护用户隐私的同时，性能优于集中式机器学习模型。 AI

影响通过实现保护隐私的协作式干扰攻击检测，增强了5G网络安全性。

排序理由学术论文，提出了一种用于5G网络射频干扰检测的新型联邦学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，提出了一种用于5G网络射频干扰检测的新型联邦学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 118 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Samhita Kuili, Mohammadreza Amini, Burak Kantarci · 2026-05-05 04:00

迈向弹性5G网络：联邦学习与集中式学习在射频干扰检测中的比较分析

arXiv:2605.01705v1 Announce Type: cross Abstract: Jamming attacks are proliferating and pose a significant threat to the security of 5G and beyond networks. These attacks target 5G radio frequency (RF) domain and can disrupt the communication in wireless networks. While conventio…

本文如何被排名

报道来源 [1]

迈向弹性5G网络：联邦学习与集中式学习在射频干扰检测中的比较分析

相关实体

相关话题