論文の概要: Physical-Layer Authentication Using Channel State Information and
Machine Learning
- arxiv url: http://arxiv.org/abs/2006.03695v2
- Date: Mon, 31 Aug 2020 16:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 04:36:35.306470
- Title: Physical-Layer Authentication Using Channel State Information and
Machine Learning
- Title(参考訳): チャネル状態情報と機械学習を用いた物理層認証
- Authors: Ken St. Germain, Frank Kragh
- Abstract要約: 相互接続された無線環境における強力な認証は、依然として重要な目標でありながら、時には先入観的な目標である。
チャネル機能を用いた物理層認証の研究は、様々なデバイスのネットワークセキュリティを改善する技術として有望である。
本稿では,機械学習とマルチインプットマルチアウトプット通信チャネル情報を用いて,特定のデバイスを認証するか否かを判断する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Strong authentication in an interconnected wireless environment continues to
be an important, but sometimes elusive goal. Research in physical-layer
authentication using channel features holds promise as a technique to improve
network security for a variety of devices. We propose the use of machine
learning and measured multiple-input multiple-output communications channel
information to make a decision on whether or not to authenticate a particular
device. This work analyzes the use of received channel state information from
the wireless environment and demonstrates the employment of a generative
adversarial neural network (GAN) trained with received channel data to
authenticate a transmitting device. We compared a variety of machine learning
techniques and found that the local outlier factor (LOF) algorithm reached 100%
accuracy at lower signal to noise ratios (SNR) than other algorithms. However,
before LOF reached 100%, we also show that the GAN was more accurate at lower
SNR levels.
- Abstract(参考訳): 相互接続されたワイヤレス環境における強力な認証は、依然として重要なものであるが、時として難解な目標である。
チャネル機能を用いた物理層認証の研究は、様々なデバイスのネットワークセキュリティを改善する技術として有望である。
本稿では,機械学習と多入力多重出力通信チャネル情報を用いて,特定のデバイスを認証するか否かを判断する手法を提案する。
本研究は、無線環境からの受信チャネル状態情報の使用を分析し、受信チャネルデータで訓練された生成敵ニューラルネットワーク(gan)の雇用を実証し、送信装置の認証を行う。
我々は,様々な機械学習手法を比較し,局所外乱係数(LOF)アルゴリズムが,他のアルゴリズムよりも低信号対雑音比(SNR)で100%精度に達したことを確認した。
しかし, LOF が100%に達する前に, GAN はより低い SNR レベルにおいてより正確であることを示す。
関連論文リスト
- 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) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳(メタデータ) (2023-06-08T06:15:17Z) - 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) - Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。
送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
論文 参考訳(メタデータ) (2023-01-11T04:15:51Z) - 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) - DeepTx: Deep Learning Beamforming with Channel Prediction [8.739166282613118]
本研究では,送信機の機械学習アルゴリズムに着目した。
ビームフォーミングを考慮し、所定のアップリンクチャネル推定を入力として、ビームフォーミングに使用するダウンリンクチャネル情報を出力するCNNを提案する。
ニューラルネットワークの主なタスクは、アップリンクとダウンリンクスロットの間のチャネル進化を予測することだが、チェーン全体の非効率性とエラーを処理することも学べる。
論文 参考訳(メタデータ) (2022-02-16T11:19:54Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z) - 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) - Centimeter-Level Indoor Localization using Channel State Information
with Recurrent Neural Networks [12.193558591962754]
本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。
チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。
また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
論文 参考訳(メタデータ) (2020-02-04T17:10:18Z)
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。