論文の概要: Open Set RF Fingerprinting using Generative Outlier Augmentation

• arxiv url: http://arxiv.org/abs/2108.13099v1
• Date: Mon, 30 Aug 2021 10:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:19:53.169798
• Title: Open Set RF Fingerprinting using Generative Outlier Augmentation
• Title（参考訳）: ジェネレータ拡張を用いたオープンセットRFフィンガープリント
• Authors: Samurdhi Karunaratne, Samer Hanna, Danijela Cabric
• Abstract要約: 本稿では、学習データセットの強化のために、生成的深層学習法を用いて、未許可信号サンプルをエミュレートすることを提案する。 WiFiテストベッドから取得したデータセットで行った実験は、データ拡張によってオープンセットの分類精度が大幅に向上することを示している。
• 参考スコア（独自算出の注目度）: 15.572581983129655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RF devices can be identified by unique imperfections embedded in the signals they transmit called RF fingerprints. The closed set classification of such devices, where the identification must be made among an authorized set of transmitters, has been well explored. However, the much more difficult problem of open set classification, where the classifier needs to reject unauthorized transmitters while recognizing authorized transmitters, has only been recently visited. So far, efforts at open set classification have largely relied on the utilization of signal samples captured from a known set of unauthorized transmitters to aid the classifier learn unauthorized transmitter fingerprints. Since acquiring new transmitters to use as known transmitters is highly expensive, we propose to use generative deep learning methods to emulate unauthorized signal samples for the augmentation of training datasets. We develop two different data augmentation techniques, one that exploits a limited number of known unauthorized transmitters and the other that does not require any unauthorized transmitters. Experiments conducted on a dataset captured from a WiFi testbed indicate that data augmentation allows for significant increases in open set classification accuracy, especially when the authorized set is small.
• Abstract（参考訳）: RFデバイスは、RF指紋と呼ばれる信号に埋め込まれたユニークな欠陥によって識別することができる。 このような装置のクローズドセット分類は、認証された送信機のうちの識別をする必要があるが、よく研究されている。 しかし、分類器が許可された送信機を認識しながら不正送信機を拒絶する必要があるオープンセット分類のより難しい問題は、最近になって始まったばかりである。 これまで、オープンセット分類の努力は、既知の無許可送信機から採取された信号サンプルを利用して、分類器が無許可送信機指紋を学習することに大きく依存してきた。 既知の送信機として使用する新しい送信機を取得するのは非常にコストがかかるため,未許可信号サンプルをエミュレートする生成的ディープラーニング手法を提案する。 我々は、2つの異なるデータ拡張技術を開発した。1つは限られた数の非許可送信機を活用し、もう1つは無許可送信機を必要としない。 WiFiテストベッドから取得したデータセットで行った実験は、データ拡張がオープンセットの分類精度を大幅に向上させることを示している。

関連論文リスト

• HidePrint: Hiding the Radio Fingerprint via Random Noise [3.9901365062418312]
  HidePrintは、送信された信号に制御されたノイズを注入することで、送信者の指紋を不正な盗聴者に対して隠す。 我々は,送信者が無線指紋を意図した受信者のサブセットのみに開示できる新しい技術である,選択的無線指紋開示を導入する。
  論文  参考訳（メタデータ） (2024-11-10T10:45:35Z)
• Preventing Radio Fingerprinting through Friendly Jamming [5.074726108522963]
  無線周波数指紋認証により、受動受信機は暗号ツールを必要とせずに送信機を認識し認証することができる。 悪意ある人物によるフィールド内の無線機器の不正な追跡を容易にする無線周波数指紋認証の敵対的利用について検討する。 通信路上の機器の匿名性を改善するために,ジャマーを用いて指紋の送信信号を消毒する方法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T09:01:46Z)
• 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)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Real-time Wireless Transmitter Authorization: Adapting to Dynamic Authorized Sets with Information Retrieval [15.572581983129655]
  実際の展開では、承認された送信機のセットが変更されるにつれて、送信機の追加および削除の必要性が生じる可能性がある。 本稿では,これらの特徴ベクトルを局所感性ハッシュ(LSH)を用いてデータベースにインデクシングすることで,学習の簡易化を実証する。 本稿では,データベース上で近接する近傍探索を行い,深層学習モデルの精度に適合する送信機認証を行うことを示す。
  論文  参考訳（メタデータ） (2021-11-04T02:00:45Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)
• How to Make 5G Communications "Invisible": Adversarial Machine Learning for Wireless Privacy [43.156901821548935]
  盗聴器から無線通信を隠蔽する問題について検討する。 盗聴器の存在下で受信機に送信する送信機は1つある。 協調ジャムマー(CJ)は、盗聴器を騙して受信した信号の重畳をノイズとして分類するために、慎重に製造された対向的摂動を空気中に送信する。
  論文  参考訳（メタデータ） (2020-05-15T17:45:11Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• 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)

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。