論文の概要: Comparison of Statistical and Machine Learning Techniques for Physical
Layer Authentication
- arxiv url: http://arxiv.org/abs/2001.06238v2
- Date: Tue, 10 Nov 2020 10:11:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 13:12:13.247113
- Title: Comparison of Statistical and Machine Learning Techniques for Physical
Layer Authentication
- Title（参考訳）: 物理層認証のための統計的・機械学習手法の比較
- Authors: Linda Senigagliesi, Marco Baldi, and Ennio Gambi
- Abstract要約: 我々は,認証者が正統なサプリカントと攻撃者を区別することを目的とした物理層での認証を検討する。
まず,2つの異なる統計的決定手法について検討し,異なるレベルの時間変化に影響を受ける大量の参照を使用することは,セキュリティの観点からは有益ではないことを示す。
- 参考スコア（独自算出の注目度）: 12.154451826265314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we consider authentication at the physical layer, in which the
authenticator aims at distinguishing a legitimate supplicant from an attacker
on the basis of the characteristics of a set of parallel wireless channels,
which are affected by time-varying fading. Moreover, the attacker's channel has
a spatial correlation with the supplicant's one. In this setting, we assess and
compare the performance achieved by different approaches under different
channel conditions. We first consider the use of two different statistical
decision methods, and we prove that using a large number of references (in the
form of channel estimates) affected by different levels of time-varying fading
is not beneficial from a security point of view. We then consider
classification methods based on machine learning. In order to face the worst
case scenario of an authenticator provided with no forged messages during
training, we consider one-class classifiers. When instead the training set
includes some forged messages, we resort to more conventional binary
classifiers, considering the cases in which such messages are either labelled
or not. For the latter case, we exploit clustering algorithms to label the
training set. The performance of both nearest neighbor (NN) and support vector
machine (SVM) classification techniques is evaluated. Through numerical
examples, we show that under the same probability of false alarm, one-class
classification (OCC) algorithms achieve the lowest probability of missed
detection when a small spatial correlation exists between the main channel and
the adversary one, while statistical methods are advantageous when the spatial
correlation between the two channels is large.
- Abstract（参考訳）: 本稿では,時間変化に影響を受ける一連の並列無線チャネルの特性に基づいて,認証者が攻撃者から正当なサプリカントを識別することを目的とした物理層での認証について考察する。
さらに、攻撃者のチャネルは、サプリカントのチャネルと空間的相関を持つ。
本研究では,異なるチャネル条件下での異なるアプローチによる性能評価と比較を行う。
まず,2つの異なる統計的決定手法について検討し,異なるレベルの時間変化に影響を受ける多数の参照(チャネル推定の形で)を使用することは,セキュリティの観点からは有益ではないことを証明した。
次に,機械学習に基づく分類手法を検討する。
訓練中に偽造メッセージがない認証装置の最悪のケースシナリオに直面するため,一級分類器を検討する。
代わりに、トレーニングセットにフォージされたメッセージが含まれている場合、そのようなメッセージがラベル付けされたりラベル付けされたりしない場合を考慮して、より伝統的なバイナリ分類器を利用する。
後者の場合、トレーニングセットにラベルをつけるためにクラスタリングアルゴリズムを使用します。
近辺(NN)と支援ベクトルマシン(SVM)の両方の分類手法の性能を評価する。
数値的な例を通して,1クラス分類(OCC)アルゴリズムでは,主チャネルと逆チャネルの間に小さな空間的相関が存在する場合の誤り検出の確率が低く,一方,2つのチャネル間の空間的相関が大きい場合には統計的手法が有利であることを示す。
関連論文リスト
- Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。
このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。
我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-11-20T02:57:35Z) - An Adversarial Approach to Evaluating the Robustness of Event Identification Models [12.862865254507179]
本稿では,事象分類の特徴を抽出する物理に基づくモーダル分解法について考察する。
得られた分類器は、その堅牢性を評価するために、逆アルゴリズムに対してテストされる。
論文 参考訳（メタデータ） (2024-02-19T18:11:37Z) - An Upper Bound for the Distribution Overlap Index and Its Applications [22.92968284023414]
本稿では,2つの確率分布間の重なり関数に対する計算容易な上限を提案する。
提案した境界は、一級分類と領域シフト解析においてその値を示す。
私たちの研究は、重複ベースのメトリクスの応用を拡大する大きな可能性を示しています。
論文 参考訳（メタデータ） (2022-12-16T20:02:03Z) - Compare learning: bi-attention network for few-shot learning [6.559037166322981]
距離学習と呼ばれる数ショットの学習手法の1つは、画像のペアが同じカテゴリに属しているかどうかを判断するために、まず遠距離計量を学習することで、この課題に対処する。
本稿では, インスタンスの埋め込みの類似性を正確に, グローバルかつ効率的に測定できる, Bi-attention Network という新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-25T07:39:10Z) - Post-Training Detection of Backdoor Attacks for Two-Class and
Multi-Attack Scenarios [22.22337220509128]
バックドア攻撃(BA)は、ディープニューラルネットワーク分類器に対する新たな脅威である。
本稿では,BPリバースエンジニアリングに基づく検出フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-20T22:21:38Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳（メタデータ） (2021-10-22T01:55:01Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - Beyond cross-entropy: learning highly separable feature distributions
for robust and accurate classification [22.806324361016863]
本稿では, 対角的ロバスト性を提供する, ディープロバストなマルチクラス分類器を訓練するための新しい手法を提案する。
提案手法に基づく潜在空間の正則化は,優れた分類精度が得られることを示す。
論文 参考訳（メタデータ） (2020-10-29T11:15:17Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳（メタデータ） (2020-07-21T14:31:27Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。