Buchumschlag

SAGE-5GC: Security-Aware Guidelines for Evaluating Anomaly Detection in the 5G Core Network

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Manca, Cristian, Scano, Christian, Piras, Giorgio, Brau, Fabio, Pintor, Maura, Biggio, Battista
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

S2AP: Score-space Sharpness Minimization for Adversarial Pruning
von: Piras, Giorgio, et al.
Veröffentlicht: (2025)

Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
von: Piras, Giorgio, et al.
Veröffentlicht: (2024)

Label-efficient Training Updates for Malware Detection over Time
von: Minnei, Luca, et al.
Veröffentlicht: (2026)

Latent-space Attacks for Refusal Evasion in Language Models
von: Piras, Giorgio, et al.
Veröffentlicht: (2026)

LatentBreak: Jailbreaking Large Language Models through Latent Space Feedback
von: Mura, Raffaele, et al.
Veröffentlicht: (2025)

SOM Directions are Better than One: Multi-Directional Refusal Suppression in Language Models
von: Piras, Giorgio, et al.
Veröffentlicht: (2025)

Regression-aware Continual Learning for Android Malware Detection
von: Ghiani, Daniele, et al.
Veröffentlicht: (2025)

HO-FMN: Hyperparameter Optimization for Fast Minimum-Norm Attacks
von: Mura, Raffaele, et al.
Veröffentlicht: (2024)

Silent Until Sparse: Backdoor Attacks on Semi-Structured Sparsity
von: Guo, Wei, et al.
Veröffentlicht: (2025)

BlackCATT: Black-box Collusion Aware Traitor Tracing in Federated Learning
von: Rodríguez-Lois, Elena, et al.
Veröffentlicht: (2026)

Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning
von: Rossolini, Giulio, et al.
Veröffentlicht: (2025)

Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates
von: Angioni, Daniele, et al.
Veröffentlicht: (2024)

Out-of-Distribution Detection for Continual Learning: Design Principles and Benchmarking
von: Gupta, Srishti, et al.
Veröffentlicht: (2025)

Evaluating the Evaluators: Trust in Adversarial Robustness Tests
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2025)

ModSec-Learn: Boosting ModSecurity with Machine Learning
von: Scano, Christian, et al.
Veröffentlicht: (2024)

Buffer-free Class-Incremental Learning with Out-of-Distribution Detection
von: Gupta, Srishti, et al.
Veröffentlicht: (2025)

Security of Deep Reinforcement Learning for Autonomous Driving: A Survey
von: Demontis, Ambra, et al.
Veröffentlicht: (2022)

ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches
von: Pintor, Maura, et al.
Veröffentlicht: (2022)

Prototype-Guided Robust Learning against Backdoor Attacks
von: Guo, Wei, et al.
Veröffentlicht: (2025)

Counterfeit Answers: Adversarial Forgery against OCR-Free Document Visual Question Answering
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

On the Robustness of Adversarial Training Against Uncertainty Attacks
von: Ledda, Emanuele, et al.
Veröffentlicht: (2024)

ModSec-AdvLearn: Countering Adversarial SQL Injections with Robust Machine Learning
von: Floris, Giuseppe, et al.
Veröffentlicht: (2023)

AttackBench: Evaluating Gradient-based Attacks for Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

$σ$-zero: Gradient-based Optimization of $\ell_0$-norm Adversarial Examples
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2024)

Robust Synthetic Data-Driven Detection of Living-Off-the-Land Reverse Shells
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2024)

Over-parameterization and Adversarial Robustness in Neural Networks: An Overview and Empirical Analysis
von: Gupta, Srishti, et al.
Veröffentlicht: (2024)

Nebula: Self-Attention for Dynamic Malware Analysis
von: Trizna, Dmitrijs, et al.
Veröffentlicht: (2023)

RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors
von: Eddoubi, Hicham, et al.
Veröffentlicht: (2025)

Energy-Latency Attacks via Sponge Poisoning
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2022)

Evaluation of Audio Language Models for Fairness, Safety, and Security
von: Aloufi, Ranya, et al.
Veröffentlicht: (2026)

A Model Drift Detection and Adaptation Framework for 5G Core Networks
von: Manias, Dimitrios Michael, et al.
Veröffentlicht: (2022)

Poisoning ML attack and defenses
von: Battista, Biggio, et al.
Veröffentlicht: (2025)

secml-malware: Pentesting Windows Malware Classifiers with Adversarial EXEmples in Python
von: Demetrio, Luca, et al.
Veröffentlicht: (2021)

SAGE: Scalable Ground Truth Evaluations for Large Sparse Autoencoders
von: Venhoff, Constantin, et al.
Veröffentlicht: (2024)

Backdoor Learning Curves: Explaining Backdoor Poisoning Beyond Influence Functions
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2021)

Sonic: Fast and Transferable Data Poisoning on Clustering Algorithms
von: Villani, Francesco, et al.
Veröffentlicht: (2024)

SAGE: Semantic-Aware Shared Sampling for Efficient Diffusion
von: Zhao, Haoran, et al.
Veröffentlicht: (2025)

Reliable Vertical Federated Learning in 5G Core Network Architecture
von: Mestoukirdi, Mohamad, et al.
Veröffentlicht: (2025)

Machine Learning Security against Data Poisoning: Are We There Yet?
von: Cinà, Antonio Emanuele, et al.
Veröffentlicht: (2022)