Machine Learning-Based Polarization Signature Analysis for Detection and Categorization of Eavesdropping and Harmful Events
Paper i proceeding, 2024

We propose a methodology that uses polarization state changes and machine learning to detect and classify eavesdropping, harmful, and non-harmful events in the optical fiber network. Our solution achieves 92.3% accuracy over 13 experimental scenarios.

Författare

Leyla Sadighi

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Stefan Karlsson

Försvarets Materielverk (FMV)

Carlos Natalino Da Silva

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Marija Furdek Prekratic

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

2024 Optical Fiber Communications Conference and Exhibition, OFC 2024 - Proceedings


9781957171326 (ISBN)

2024 Optical Fiber Communications Conference and Exhibition, OFC 2024
San Diego, USA,

Providing Resilient & secure networks [Operating on Trusted Equipment] to CriTical infrastructures (PROTECT)

VINNOVA (2020-03506), 2021-02-01 -- 2024-01-31.

Skydda optiska kommunikationsnätverk från cyber-säkerhetsattacker

Vetenskapsrådet (VR) (2019-05008), 2020-01-01 -- 2023-12-31.

Ämneskategorier

Kommunikationssystem

Datorsystem

Annan elektroteknik och elektronik

DOI

10.1364/OFC.2024.M1H.1

Mer information

Senast uppdaterat

2024-10-28