論文の概要: Pre-print: Radio Identity Verification-based IoT Security Using RF-DNA
Fingerprints and SVM
- arxiv url: http://arxiv.org/abs/2005.09503v1
- Date: Tue, 19 May 2020 15:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 15:02:50.808126
- Title: Pre-print: Radio Identity Verification-based IoT Security Using RF-DNA
Fingerprints and SVM
- Title(参考訳): RF-DNAフィンガープリントとSVMを用いた無線ID検証ベースのIoTセキュリティ
- Authors: Donald Reising, Joseph Cancelleri, T. Daniel Loveless, Farah Kandah,
and Anthony Skjellum
- Abstract要約: IoTデバイスの数は、今後5年間で75億に達すると見積もられている。
現在デプロイされているほとんどのデバイスは、悪意のあるIoTデバイスによる攻撃から自身とネットワークを保護するのに十分なセキュリティを欠いている。
この研究は、RF-DNA(Radio Frequency-Distinct Native Attributes)指紋とSVM(Support Vector Machines)を使用して、この重要なセキュリティニーズに対処可能なPHY層IoT認証アプローチを提案する。
- 参考スコア(独自算出の注目度): 1.293050392312921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is estimated that the number of IoT devices will reach 75 billion in the
next five years. Most of those currently, and to be deployed, lack sufficient
security to protect themselves and their networks from attack by malicious IoT
devices that masquerade as authorized devices to circumvent digital
authentication approaches. This work presents a PHY layer IoT authentication
approach capable of addressing this critical security need through the use of
feature reduced Radio Frequency-Distinct Native Attributes (RF-DNA)
fingerprints and Support Vector Machines (SVM). This work successfully
demonstrates 100%: (i) authorized ID verification across three trials of six
randomly chosen radios at signal-to-noise ratios greater than or equal to 6 dB,
and (ii) rejection of all rogue radio ID spoofing attacks at signal-to-noise
ratios greater than or equal to 3 dB using RF-DNA fingerprints whose features
are selected using the Relief-F algorithm.
- Abstract(参考訳): IoTデバイスの数は、今後5年間で75億に達すると見積もられている。
現在、デプロイされているほとんどのデバイスは、デジタル認証アプローチを回避するために認証されたデバイスとして仮装する悪意のあるiotデバイスによる攻撃から自己とネットワークを保護するための十分なセキュリティを欠いている。
本稿では,rf-dna(radio frequency-distinct native attribute)指紋とサポートベクターマシン(svm)を用いた,この重要なセキュリティニーズに対応するためのphy layer iot認証手法を提案する。
この研究は100%成功しています
(i)信号対雑音比が6dB以上で、ランダムに選択された6つの無線の3つの試験における認証ID検証
(II)Relief-Fアルゴリズムを用いて特徴を抽出したRF-DNA指紋を用いて、信号対雑音比が3dB以上である全てのローグ無線IDスプーフィング攻撃を拒絶する。
関連論文リスト
- Open Set RF Fingerprinting Identification: A Joint Prediction and Siamese Comparison Framework [37.79439245394741]
開集合認識のための共用無線周波数指紋予測とサイムズ比較(JRFFP-SC)フレームワークを提案する。
提案するJRFFP-SCフレームワークは,クラス間干渉を排除し,オープンセット識別に関わる課題を効果的に解決する。
論文 参考訳(メタデータ) (2025-01-26T04:09:07Z) - Radar Signal Recognition through Self-Supervised Learning and Domain Adaptation [48.265859815346985]
RFサンプルとラベルを限定した環境下でのレーダ信号認識を強化するための自己教師付き学習(SSL)手法を提案する。
具体的には,各種RF領域のベースバンド内位相および2次(I/Q)信号に対する事前学習マスク付きオートエンコーダ(MAE)について検討する。
その結果,ドメイン適応型軽量自己教師型ResNetモデルでは,1ショットの分類精度が最大17.5%向上した。
論文 参考訳(メタデータ) (2025-01-07T01:35:56Z) - Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security [7.8344795632171325]
次世代ネットワークは、人間、機械、デバイス、システムをシームレスに相互接続することを目的としている。
この課題に対処するため、Zero Trust(ZT)パラダイムは、ネットワークの完全性とデータの機密性を保護するための重要な方法として登場した。
この研究は、新しいディープラーニングベースの無線デバイス識別フレームワークであるEPS-CNNを導入している。
論文 参考訳(メタデータ) (2024-02-08T00:23:42Z) - IoT Device Identification Based on Network Communication Analysis Using
Deep Learning [43.0717346071013]
組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。
この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。
本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
論文 参考訳(メタデータ) (2023-03-02T13:44:58Z) - Internet of Things: Digital Footprints Carry A Device Identity [0.0]
デバイスフィンガープリント(DFP)モデルは、IoT(Internet of Things)と非IoTデバイスを区別することができる。
連続する5つのデバイス認証パケットから4つの統計的特徴を抽出し、個々のデバイス指紋を生成する。
論文 参考訳(メタデータ) (2023-01-01T02:18:02Z) - 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) - Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。
異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。
Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
論文 参考訳(メタデータ) (2020-06-18T14:50:08Z) - Preprint: Using RF-DNA Fingerprints To Classify OFDM Transmitters Under
Rayleigh Fading Conditions [1.6058099298620423]
IoT(Internet of Things)は2020年までにおよそ500億のデバイスで構成される。
IoTデバイスの約70%は、暗号化の形式を使用していないと推定されている。
これまでの研究では、暗号化などのビットレベルのセキュリティメカニズムを増強する手段として、特定エミッタ識別(SEI)が用いられてきた。
論文 参考訳(メタデータ) (2020-05-06T13:53:25Z) - Device Authentication Codes based on RF Fingerprinting using Deep
Learning [2.980018103007841]
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。
論文 参考訳(メタデータ) (2020-04-19T01:50:29Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳(メタデータ) (2020-02-25T12:24:49Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。