論文の概要: Device Authentication Codes based on RF Fingerprinting using Deep
Learning
- arxiv url: http://arxiv.org/abs/2004.08742v1
- Date: Sun, 19 Apr 2020 01:50:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 00:40:42.112320
- Title: Device Authentication Codes based on RF Fingerprinting using Deep
Learning
- Title(参考訳): 深層学習を用いたrf指紋認証に基づくデバイス認証コード
- Authors: Joshua Bassey, Xiangfang Li, Lijun Qian
- Abstract要約: Device Authentication Code (DAC) は、その無線周波数(RF)シグネチャを利用して、IoTデバイスを無線インターフェースで認証する新しい方法である。
DACは,任意の無線機器に特有の有能な特徴を抽出することにより,デバイス偽造を防止することができることを示す。
- 参考スコア(独自算出の注目度): 2.980018103007841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose Device Authentication Code (DAC), a novel method
for authenticating IoT devices with wireless interface by exploiting their
radio frequency (RF) signatures. The proposed DAC is based on RF
fingerprinting, information theoretic method, feature learning, and
discriminatory power of deep learning. Specifically, an autoencoder is used to
automatically extract features from the RF traces, and the reconstruction error
is used as the DAC and this DAC is unique to the device and the particular
message of interest. Then Kolmogorov-Smirnov (K-S) test is used to match the
distribution of the reconstruction error generated by the autoencoder and the
received message, and the result will determine whether the device of interest
belongs to an authorized user. We validate this concept on two experimentally
collected RF traces from six ZigBee and five universal software defined radio
peripheral (USRP) devices, respectively. The traces span a range of Signalto-
Noise Ratio by varying locations and mobility of the devices and channel
interference and noise to ensure robustness of the model. Experimental results
demonstrate that DAC is able to prevent device impersonation by extracting
salient features that are unique to any wireless device of interest and can be
used to identify RF devices. Furthermore, the proposed method does not need the
RF traces of the intruder during model training yet be able to identify devices
not seen during training, which makes it practical.
- Abstract(参考訳): 本稿では,その無線周波数(RF)シグネチャを利用して,無線インターフェースでIoTデバイスを認証する新しい手法であるデバイス認証コード(DAC)を提案する。
提案するDACは,RFフィンガープリント,情報理論,特徴学習,深層学習の識別力に基づく。
具体的には、RFトレースから特徴を自動的に抽出するためにオートエンコーダを使用し、再構成エラーをDACとして使用し、このDACはデバイスと特定の関心のメッセージに固有のものである。
次に、自己エンコーダが生成した再構成エラーの分布と受信メッセージとの一致をコルモゴロフ・スミルノフ検定(K-S)を用いて、興味のある装置が認証ユーザに属するか否かを判定する。
6個のZigBeeと5つのユニバーサルソフトウェア定義無線周辺機器から得られた2つのRFトレースに対して,この概念を検証した。
トレースは、デバイスのさまざまな位置とモビリティ、およびモデルの堅牢性を保証するためのチャネル干渉とノイズによって、SignaltoNoise比の範囲にまたがる。
実験の結果,DACは興味のある無線デバイスに特有の特徴を抽出し,RFデバイスを特定することでデバイス偽造を防止することができることがわかった。
さらに,本手法では,モデルトレーニング中に侵入者のRFトレースを必要とせず,トレーニング中に見えないデバイスを識別できるので,実用的である。
関連論文リスト
- Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-08T13:50:30Z) - Joint Sensing and Semantic Communications with Multi-Task Deep Learning [49.83882366499547]
無線チャンネル上で動作し、ノイズ及びフェーディング効果を受ける送信機と受信機とを含む統合システムである。
送信機は、ソースコーディング、チャネルコーディング、変調のジョイントオペレーションのために、ディープニューラルネットワーク、すなわちエンコーダを使用する。
受信機は、復調、チャネル復号、ソース復号のジョイントオペレーションにおいて、別のディープニューラルネットワーク、すなわちデコーダを使用してデータサンプルを再構築する。
論文 参考訳(メタデータ) (2023-11-08T21:03:43Z) - HiNoVa: A Novel Open-Set Detection Method for Automating RF Device
Authentication [9.571774189070531]
本稿では,畳み込みニューラルネットワーク(CNN)長短期記憶(LSTM)モデルにおける隠れ状態値のパターンに基づいた,新しいオープンセット検出手法を提案する。
我々のアプローチはLoRa、Wi-Fi、Wired-WiFiデータセットの精度-リコール曲線の領域を大幅に改善する。
論文 参考訳(メタデータ) (2023-05-16T16:47:02Z) - SignCRF: Scalable Channel-agnostic Data-driven Radio Authentication
System [17.391164797113134]
RFFDL(Radio Frequency Fingerprinting through Deep Learning)は、データ駆動型IoT認証技術である。
提案されているSignCRFは、スケーラブルで、チャネルに依存しない、データ駆動の無線認証プラットフォームである。
SignCRFは,WiFiおよびLoRaデバイスの認証精度を最大5倍,8倍向上させることで,RFFDLの性能を著しく向上することを示した。
論文 参考訳(メタデータ) (2023-03-21T21:11:02Z) - Device identification using optimized digital footprints [0.0]
ネットワーク上の通信に使用されるデジタルフットプリントに基づいて,デバイス識別のためのデバイスフィンガープリント(DFP)手法が提案されている。
デバイス固有のシグネチャを生成するために、単一のトランスミッション制御プロトコル/インターネットプロトコルパケットのネットワーク層とトランスポート層から9つの機能のサブセットが選択されている。
結果は、ランダムフォレスト分類器(RF)を用いて、最大100%精度のデバイスタイプを識別し、最大95.7%精度のデバイスを分類できることを示した。
論文 参考訳(メタデータ) (2022-12-04T14:21:29Z) - Disentangled Representation Learning for RF Fingerprint Extraction under
Unknown Channel Statistics [77.13542705329328]
本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。
提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。
実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-08-04T15:46:48Z) - GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action
Recognition using WiFi [52.530330427538885]
WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。
本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
論文 参考訳(メタデータ) (2022-05-24T10:20:16Z) - Comprehensive RF Dataset Collection and Release: A Deep Learning-Based
Device Fingerprinting Use Case [10.698553177585973]
我々は、USRP B210受信機を用いて25種類のLoRa対応IoT伝送デバイスから収集した大規模なRFフィンガープリントデータセットを提示、リリースする。
我々のデータセットは、多数のSigMF準拠バイナリファイルからなり、I/Q時間領域のサンプルと対応するFFTベースのLoRa送信ファイルで構成されている。
論文 参考訳(メタデータ) (2022-01-06T19:07:57Z) - Radio-Assisted Human Detection [61.738482870059805]
本稿では,無線情報を最先端検出手法に組み込んだ無線支援人体検知フレームワークを提案する。
我々は、人検出を支援するために、無線信号から無線の局部化と識別情報を抽出する。
シミュレーション可能なMicrosoft COCOデータセットとCaltechの歩行者データセットの実験では、平均平均精度(mAP)とミスレートが、無線情報を用いて改善できることが示されている。
論文 参考訳(メタデータ) (2021-12-16T09:53:41Z) - A Generalizable Model-and-Data Driven Approach for Open-Set RFF
Authentication [74.63333951647581]
高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。
RFF抽出と識別のために機械学習に基づく手法が提案されている。
生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-10T03:59:37Z) - Deep Neural Network Feature Designs for RF Data-Driven Wireless Device
Classification [9.05607520128194]
本稿では、RF通信信号の異なる構造と、送信機ハードウェア障害に起因するスペクトル放射を利用する新しい特徴設計手法を提案する。
提案するDNNの特徴は,拡張性,精度,シグネチャ・アンチ・クローニング,環境摂動に対する非感受性の観点から,分類の堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2021-03-02T20:19:05Z)
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。