論文の概要: LinksIQ: Robust and Efficient Modulation Recognition with Imperfect Spectrum Scans

• arxiv url: http://arxiv.org/abs/2005.04149v1
• Date: Thu, 7 May 2020 12:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 00:22:58.364523
• Title: LinksIQ: Robust and Efficient Modulation Recognition with Imperfect Spectrum Scans
• Title（参考訳）: LinksIQ:不完全スペクトルスコープを用いたロバストかつ効率的な変調認識
• Authors: Wei Xiong, Karyn Doke, Petko Bogdanov, Mariya Zheleva
• Abstract要約: LinksIQは、仮定を単純化して設計された実世界のスペクトルセンシングとModrecメソッドのギャップを埋める。 我々の重要な洞察は、順序付きIQサンプルが、スキャンの欠陥があっても持続する変調にまたがる独特のパターンを形成することである。 本研究は,小型トランスミッターフィンガープリントの実現可能性を示すものである。
• 参考スコア（独自算出の注目度）: 14.27482188246212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While critical for the practical progress of spectrum sharing, modulation recognition has so far been investigated under unrealistic assumptions: (i) a transmitter's bandwidth must be scanned alone and in full, (ii) prior knowledge of the technology must be available and (iii) a transmitter must be trustworthy. In reality these assumptions cannot be readily met, as a transmitter's bandwidth may only be scanned intermittently, partially, or alongside other transmitters, and modulation obfuscation may be introduced by short-lived scans or malicious activity. This paper presents LinksIQ, which bridges the gap between real-world spectrum sensing and the growing body of modrec methods designed under simplifying assumptions. Our key insight is that ordered IQ samples form distinctive patterns across modulations, which persist even with scan deficiencies. We mine these patterns through a Fisher Kernel framework and employ lightweight linear support vector machine for modulation classification. LinksIQ is robust to noise, scan partiality and data biases without utilizing prior knowledge of transmitter technology. Its accuracy consistently outperforms baselines in both simulated and real traces. We evaluate LinksIQ performance in a testbed using two popular SDR platforms, RTL-SDR and USRP. We demonstrate high detection accuracy (i.e. 0.74) even with a $20 RTL-SDR scanning at 50% transmitter overlap. This constitutes an average of 43% improvement over existing counterparts employed on RTL-SDR scans. We also explore the effects of platform-aware classifier training and discuss implications on real-world modrec system design. Our results demonstrate the feasibility of low-cost transmitter fingerprinting at scale.
• Abstract（参考訳）: スペクトル共有の実践的な進歩には批判的だが、変調認識は非現実的な仮定の下で研究されている。 (i)送信機の帯域幅を単体でスキャンしなければならない。 二 技術に関する事前の知識が利用可能でなければならないこと (iii)送信機が信頼できること。 実際、これらの仮定は容易には満たせないが、送信機の帯域幅は断続的に、部分的に、または他の送信機と共にのみスキャンされ、変調難読化は短命のスキャンや悪意ある活動によって導入される。 本稿では,実世界のスペクトルセンシングと,仮定を単純化したモデック法とのギャップを埋めるLinksIQを提案する。 我々の重要な洞察は、順序付きIQサンプルが、スキャン不足であっても持続する変調の異なるパターンを形成することである。 我々はこれらのパターンをフィッシャーカーネルフレームワークを通じて発掘し、変調分類に軽量な線形サポートベクターマシンを用いる。 linksiqは、送信技術の事前知識を使わずに、ノイズ、スキャニング部分性、データバイアスに頑健である。 その精度は、シミュレートされたトレースと実トレースの両方でベースラインを一貫して上回る。 RTL-SDRとUSRPの2つのSDRプラットフォームを用いたテストベッドにおけるLinksIQの性能評価を行った。 送信機を50%オーバーラップした20ドルのRTL-SDRスキャンでも高い検出精度(すなわち0.74)を示す。 これはrtl-sdrスキャンで採用されている既存のスキャンと比べて平均43%の改善である。 また,プラットフォーム認識型分類器教育の効果についても検討し,実世界のモデックシステム設計への影響について考察する。 本研究は, 低コスト送信指紋認証の実現可能性を示す。

関連論文リスト

• VERITAS: Verifying the Performance of AI-native Transceiver Actions in Base-Stations [0.745554610293091]
  本稿では,AIネイティブトランスシーバーのポストデプロイのための共同計測・回復フレームワークを提案する。 VERITASはチャネルプロファイル,送信速度,遅延の変動を99%,97%,69%の精度で検出できることを示した。 評価の結果、VERITASはチャネルプロファイル、送信速度、遅延拡散の変化を86%、93.3%、94.8%で検出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-01T19:12:03Z)
• PCA-Featured Transformer for Jamming Detection in 5G UAV Networks [0.559239450391449]
  ジャミング攻撃は無人航空機(UAV)無線通信システムに脅威をもたらす。 現在の検出アプローチは、高度な人工知能(AI)ジャミング技術に苦慮している。 本稿では,検出をジャムするトランスフォーマーに基づく新しい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） (2024-12-19T16:13:04Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• T-PRIME: Transformer-based Protocol Identification for Machine-learning at the Edge [7.170870264936032]
  T-PRIMEはTransformerベースの機械学習アプローチである。 送信フレームの構造設計をアテンション機構を通じて学習する。 これは、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を厳格に分析します。
  論文  参考訳（メタデータ） (2024-01-09T22:01:55Z)
• 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)
• 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)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder [29.590446724625693]
  雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。 現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
  論文  参考訳（メタデータ） (2020-11-16T21:41:31Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。