New LLRT-Based Methods for Active Eavesdropper Detection in Cell-Free Massive MIMO
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, the problem of active eavesdropper detection is considered for a cell-free massive multiple-input multiple-output (m-MIMO) system which is attacked by an active eavesdropper within the uplink training phase, also called pilot spoofing attack. Two methods based on log-likelihoodratio tests (LLRT), one in a centralized and the other in a decentralized fashion, are proposed to detect the signal abnormality. The methods take advantage of a special protocol in which the legitimate users switch to an off-mode irregularly, without significantly affecting the spectral efficiency of the data transmission. The protocol is directly applicable to environments with low to moderate mobility, and can be extended to high mobility through a simple rearrangement of available pilot sequences among users if needed. More importantly, the proposed methods impose low fronthaul overhead which is imperative for a cellfree m-MIMO system with a large number of access points (APs). A closed-form expression for the joint probability density function (PDF) of the processed received signals conditioned on the alternative hypothesis, which is essential for the implementation of LLRT-based detection methods, is also derived. Through an asymptotic analysis, it is shown for the proposed methods that the detection and false-alarm probabilities approach to one and zero, respectively as the number of APs goes to infinity. Numerical results reveal that both methods significantly outperform a recent approach in terms of false-alarm rate with negligible degradation in the per user uplink spectral efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,008 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle