RF Jamming BERT Intrusion Detection Systems for Vehicular Networks
Notice bibliographique
Résumé
As vehicular networks become increasingly complex and interconnected, they face rising security threats, particularly Radio-Frequency (RF) jamming attacks that can disrupt communication and compromise safety. While existing Artificial Intelligence (AI) models have been applied for RF jamming detection, they often face challenges in addressing the dynamic nature of vehicular environments. In this paper, we present an intrusion detection system (IDS) utilizing Bidirectional Encoder Representations from Transformers (BERT), a transformer-based Large Language Model (LLM) renowned for its contextual understanding. During the training of BERT, we incorporated and experimented with two tokenizing techniques: WordPiece and Byte-Pair Encoding (BPE). The results from our experiments highlighted that the BERT model fine-tuned with the WordPiece tokenization method significantly outperformed existing baseline methods. Specifically, this approach achieved a high accuracy of 96.25% at 25m/s and 90.25% at 15m/s showcasing strong performance gains compared to baseline methods: K-Nearest Neighbors (KNN), Random Forest (RaFo), Long Short-Term Memory (LSTM) that reached, respectively, 94.46% and 82.27%; 94.61% and 80.04%; 95.17% and 84.83% for 25 m/s and 15 m/s. The BPE tokenization IDS version achieved an accuracy of 85.00% at 25m/s and 80.25% at 15m/s. Our results demonstrate the effectiveness of the BERT RF Jamming IDS with WordPiece tokenization to detect and classify RF threats on vehicle networks.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».