論文の概要: DeepCSI: Rethinking Wi-Fi Radio Fingerprinting Through MU-MIMO CSI Feedback Deep Learning

• arxiv url: http://arxiv.org/abs/2204.07614v1
• Date: Fri, 15 Apr 2022 18:59:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 16:34:07.142081
• Title: DeepCSI: Rethinking Wi-Fi Radio Fingerprinting Through MU-MIMO CSI Feedback Deep Learning
• Title（参考訳）: DeepCSI:MU-MIMO CSIフィードバックによるWi-Fi無線フィンガープリントの再考
• Authors: Francesca Meneghello, Michele Rossi, Francesco Restuccia
• Abstract要約: DeepCSIは、MU-MIMO Wi-Fiデバイスを認証するWi-Fi無線指紋認証の新しいアプローチだ。 市販機器を用いた大規模データ収集キャンペーンを通じて,DeepCSIの性能を広範囲に評価した。 実験結果から、DeepCSIは98%の精度で送信機を正確に識別することがわかった。
• 参考スコア（独自算出の注目度）: 15.160442408342407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DeepCSI, a novel approach to Wi-Fi radio fingerprinting (RFP) which leverages standard-compliant beamforming feedback matrices to authenticate MU-MIMO Wi-Fi devices on the move. By capturing unique imperfections in off-the-shelf radio circuitry, RFP techniques can identify wireless devices directly at the physical layer, allowing low-latency low-energy cryptography-free authentication. However, existing Wi-Fi RFP techniques are based on software-defined radio (SDRs), which may ultimately prevent their widespread adoption. Moreover, it is unclear whether existing strategies can work in the presence of MU-MIMO transmitters - a key technology in modern Wi-Fi standards. Conversely from prior work, DeepCSI does not require SDR technologies and can be run on any low-cost Wi-Fi device to authenticate MU-MIMO transmitters. Our key intuition is that imperfections in the transmitter's radio circuitry percolate onto the beamforming feedback matrix, and thus RFP can be performed without explicit channel state information (CSI) computation. DeepCSI is robust to inter-stream and inter-user interference being the beamforming feedback not affected by those phenomena. We extensively evaluate the performance of DeepCSI through a massive data collection campaign performed in the wild with off-the-shelf equipment, where 10 MU-MIMO Wi-Fi radios emit signals in different positions. Experimental results indicate that DeepCSI correctly identifies the transmitter with an accuracy of up to 98%. The identification accuracy remains above 82% when the device moves within the environment. To allow replicability and provide a performance benchmark, we pledge to share the 800 GB datasets - collected in static and, for the first time, dynamic conditions - and the code database with the community.
• Abstract（参考訳）: 標準に準拠したビームフォーミングフィードバック行列を利用して、移動中のmu-mimo wi-fiデバイスを認証する、新しいwi-fi無線指紋認証(rfp)アプローチであるdeepcsiを提案する。 市販の無線回路に固有の欠陥を捕捉することにより、RFP技術は物理層に直接無線デバイスを識別し、低遅延の低エネルギー暗号無認証を可能にする。 しかし、既存のWi-Fi RFP技術はソフトウェア定義無線(SDR)に基づいており、最終的に普及を妨げている可能性がある。 さらに, MU-MIMO送信機の存在下で既存の戦略が有効であるか否かは, 現状のWi-Fi規格における重要な技術である。 従来の作業とは対照的に、DeepCSIはSDR技術を必要とせず、MU-MIMO送信機を認証するために低コストのWi-Fiデバイスで動作させることができる。 我々の重要な直感は、送信機の無線回路の欠陥がビームフォーミングフィードバック行列にパーコレートするため、RFPは明示的なチャネル状態情報(CSI)計算なしで実行できることである。 deepcsiはストリーム間およびユーザ間干渉に対して堅牢であり、これらの現象に影響されないビームフォーミングフィードバックである。 我々は,10個のMU-MIMOWi-Fi無線が異なる位置で信号を発信する,市販の機器を用いた大規模データ収集キャンペーンを通じて,DeepCSIの性能を広範囲に評価した。 実験結果から、DeepCSIは98%の精度で送信機を正確に識別することがわかった。 デバイスが環境内を移動するとき、識別精度は82%以上である。 複製性を許容し、パフォーマンスベンチマークを提供するため、静的に収集された800GBデータセットと、動的条件として初めて、コードデータベースをコミュニティと共有することを約束します。

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)
• Gesture Recognition with mmWave Wi-Fi Access Points: Lessons Learned [3.5711957833616235]
  ジェスチャー認識/位置推定のためのmmWave (60 GHz) のWi-Fi信号について検討する。 このため、IEEE 802.11ad デバイスを用いた周期ビームトレーニングからビーム信号-雑音比(SNR)を抽出する。 ディープニューラルネットワーク(DNN)は、単一の環境で96.7%の精度でビームSNRタスクの有望な結果を達成する。
  論文  参考訳（メタデータ） (2023-06-29T16:10:07Z)
• A CSI Dataset for Wireless Human Sensing on 80 MHz Wi-Fi Channels [10.056835910435499]
  本稿では,80MHz帯におけるIEEE 802.11acチャネル計測のデータセットについて述べる。 全体として、データセットは13時間以上のチャネル状態情報読み込み(23.6GB)を含んでいる。
  論文  参考訳（メタデータ） (2023-04-29T15:57:36Z)
• Exposing the CSI: A Systematic Investigation of CSI-based Wi-Fi Sensing Capabilities and Limitations [16.819111460629397]
  この研究は、Wi-Fi 6の機能がセンシング性能に与える影響を明らかにし、将来のWi-Fiセンシング研究のためのベンチマークを作成することを目的としている。 我々は,Wi-Fi 6信号を用いて,3人,3環境,12活動を含む広範囲なCSIデータ収集キャンペーンを実施している。 ビデオ記録によって得られた匿名化された地上の真実は、3つのコレクターから約2時間分のCSIデータを含む80GBのデータセットを伴っている。
  論文  参考訳（メタデータ） (2023-02-02T10:21:00Z)
• Deep Learning-Based Rate-Splitting Multiple Access for Reconfigurable Intelligent Surface-Aided Tera-Hertz Massive MIMO [56.022764337221325]
  再構成可能なインテリジェントサーフェス(RIS)は,Tera-Hertz大規模マルチインプットマルチアウトプット(MIMO)通信システムのサービスカバレッジを大幅に向上させることができる。 しかし、パイロットとフィードバック信号のオーバーヘッドが限定された正確な高次元チャネル状態情報(CSI)を得ることは困難である。 本稿では、RIS支援Tera-Hertzマルチユーザアクセスシステムのための、ディープラーニング(DL)に基づくレート分割多重アクセス方式を提案する。
  論文  参考訳（メタデータ） (2022-09-18T03:07:37Z)
• 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)
• 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)
• A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge [3.841495731646297]
  大規模な機械学習モデルでは、レイテンシに敏感な下流タスクのためにエッジデバイス上で実装することが難しくなる可能性がある。 無線通信システムでは、ミリ秒以下のスケールでのMLデータ処理により、リアルタイムなネットワーク監視が可能となる。 本稿では,フォトニック・ハードウエアにインスパイアされたリカレントニューラルネットワークモデルからなる,コンパクトなディープ・ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-25T19:55:41Z)
• Blind Federated Edge Learning [93.29571175702735]
  フェデレーションエッジ学習(FEEL)について検討し,それぞれが独自のデータセットを持つ無線エッジデバイスでグローバルモデルを学ぶ。 そこで本研究では,デバイスがローカル更新を非符号化方式で送信する,アナログオーバ・ザ・エアのアグリゲーション方式を提案する。
  論文  参考訳（メタデータ） (2020-10-19T16:22:28Z)
• Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian Detection [99.94079901071163]
  本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。 我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。 我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
  論文  参考訳（メタデータ） (2020-04-03T17:36:26Z)
• 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。