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,
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