論文の概要: Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT
Security: Sensitivity to Network Deployment Changes
- arxiv url: http://arxiv.org/abs/2208.14964v1
- Date: Wed, 31 Aug 2022 16:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:58:32.140175
- Title: Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT
Security: Sensitivity to Network Deployment Changes
- Title（参考訳）: LoRa-IoTセキュリティ向上のためのディープラーニングベースのデバイスフィンガープリント:ネットワーク展開変更に対する感度
- Authors: Bechir Hamdaoui and Abdurrahman Elmaghbub
- Abstract要約: 各種ネットワーク設定変化に対する LoRa RF フィンガープリントの感度について検討・解析を行った。
本稿では,帯域外歪み情報を利用して指紋認証精度を向上させる新しい指紋認証手法を提案する。
以上の結果から,学習モデルが同じ条件下でトレーニングされ,テストされた場合,指紋認証は比較的良好であることがわかった。
- 参考スコア（独自算出の注目度）: 10.698553177585973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning-based device fingerprinting has recently been recognized as a
key enabler for automated network access authentication. Its robustness to
impersonation attacks due to the inherent difficulty of replicating physical
features is what distinguishes it from conventional cryptographic solutions.
Although device fingerprinting has shown promising performances, its
sensitivity to changes in the network operating environment still poses a major
limitation. This paper presents an experimental framework that aims to study
and overcome the sensitivity of LoRa-enabled device fingerprinting to such
changes. We first begin by describing RF datasets we collected using our
LoRa-enabled wireless device testbed. We then propose a new fingerprinting
technique that exploits out-of-band distortion information caused by hardware
impairments to increase the fingerprinting accuracy. Finally, we experimentally
study and analyze the sensitivity of LoRa RF fingerprinting to various network
setting changes. Our results show that fingerprinting does relatively well when
the learning models are trained and tested under the same settings. However,
when trained and tested under different settings, these models exhibit moderate
sensitivity to channel condition changes and severe sensitivity to protocol
configuration and receiver hardware changes when IQ data is used as input.
However, with FFT data is used as input, they perform poorly under any change.
- Abstract（参考訳）: ディープラーニングベースのデバイス指紋認証は、最近、ネットワークアクセスの自動認証のキーイネーラとして認識されている。
物理的特徴の複製が本質的に困難であることによる偽装攻撃に対する強固さは、従来の暗号解と区別される。
デバイス指紋認証は有望な性能を示しているが、ネットワーク操作環境の変化に対する感度は依然として大きな制限を課している。
本稿では,LoRa対応デバイス指紋認証の感度を研究・克服することを目的とした実験フレームワークを提案する。
まず、LoRa対応の無線デバイステストベッドを使って収集したRFデータセットを記述する。
次に,ハードウェア障害による帯域外歪み情報を利用して指紋認証精度を向上させる新しい指紋認証手法を提案する。
最後に,種々のネットワーク設定変化に対するLoRaRFフィンガープリントの感度を実験的に検討し,解析した。
以上の結果から,学習モデルが同じ条件下でトレーニング・テストされた場合,指紋認証は比較的良好であることがわかった。
しかし、異なる設定でトレーニングとテストを行うと、これらのモデルはチャネル条件の変更に対して適度な感度を示し、IQデータを入力として使用する場合、プロトコル設定や受信ハードウェアの変更に対して厳しい感度を示す。
しかし、FFTデータを入力として使用すると、どんな変化でも性能は低下する。
関連論文リスト
- Erasing Radio Frequency Fingerprints via Active Adversarial Perturbation [19.88283575742985]
本稿では、パイロット信号データから機械学習モデルを訓練して識別する、一般的なRFフィンガープリントシナリオについて考察する。
新たな対向攻撃ソリューションは適切な摂動を生成するように設計されており、パイロット信号はハードウェアの特徴を隠蔽し、モデルを誤分類することができる。
大規模な実験結果から,RF指紋を効果的に消去し,ユーザのプライバシーを保護できることが示されている。
論文 参考訳（メタデータ） (2024-06-11T15:16:05Z) - Locality Sensitive Hashing for Network Traffic Fingerprinting [5.062312533373298]
ネットワークトラフィックのフィンガープリントにLSH(Locality-sensitive hashing)を用いる。
本手法は,ネットワーク内のデバイスを識別する際の精度を約94%向上し,最先端の精度を12%向上させる。
論文 参考訳（メタデータ） (2024-02-12T21:14:37Z) - Finger-UNet: A U-Net based Multi-Task Architecture for Deep Fingerprint
Enhancement [0.0]
指紋認識/検証パイプラインの初期段階において、指紋強調は重要な役割を果たす。
低品質指紋を効果的に改善するために,U-Netの直感的な修正を提案する。
モデルのメモリフットプリントを大幅に削減するため,通常の畳み込みを奥行き分離可能な畳み込みに置き換える。
論文 参考訳（メタデータ） (2023-10-01T09:49:10Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - AFR-Net: Attention-Driven Fingerprint Recognition Network [47.87570819350573]
指紋認識を含む生体認証における視覚変換器(ViT)の使用に関する初期研究を改善する。
ネットワーク内の中間特徴マップから抽出した局所的な埋め込みを用いて,グローバルな埋め込みを低確かさで洗練する手法を提案する。
この戦略は、既存のディープラーニングネットワーク(アテンションベース、CNNベース、あるいはその両方を含む)のラッパーとして適用することで、パフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2022-11-25T05:10:39Z) - Uncovering the Portability Limitation of Deep Learning-Based Wireless
Device Fingerprints [10.698553177585973]
デバイス指紋認証のアプローチは、生のRF信号のみからデバイス固有の特徴を抽出するためにディープラーニングに依存している。
広く知られている問題のひとつは、トレーニングデータとテストデータがさまざまなデプロイメントドメインの下で収集される場合、これらのアプローチが優れたパフォーマンスを維持することができないことだ。
ディープラーニングベースのデバイスフィンガープリントをドメインの多様性に対してより回復力のあるものにするために、これらの課題にどう対処すればよいか、いくつかのアイデアを提示します。
論文 参考訳（メタデータ） (2022-11-14T19:03:55Z) - On the vulnerability of fingerprint verification systems to fake
fingerprint attacks [57.36125468024803]
中規模の偽指紋データベースを記述し、2つの異なる指紋認証システムを評価する。
光およびサーマルスイーピングセンサの結果が提供される。
論文 参考訳（メタデータ） (2022-07-11T12:22:52Z) - GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action
Recognition using WiFi [52.530330427538885]
WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。
本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
論文 参考訳（メタデータ） (2022-05-24T10:20:16Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - Sensor-invariant Fingerprint ROI Segmentation Using Recurrent
Adversarial Learning [5.740220134446289]
本稿では, 指紋領域分割モデルによるセンサ不変の特徴の学習を支援する, 逆学習に基づく特徴アライメントネットワークを提案する。
公開されているFVCデータベースの実験は,提案手法の有効性を実証している。
論文 参考訳（メタデータ） (2021-07-03T07:16:39Z) - Fingerprint Presentation Attack Detection: A Sensor and Material
Agnostic Approach [44.46178415547532]
クロスマテリアルとクロスセンサの一般化を改良した,堅牢なプレゼンテーションアタック検出(PAD)ソリューションを提案する。
具体的には,指紋スプーフ検出とクロスマテリアルスプーフ一般化を併用して,指紋スプーフ検出を訓練したCNNベースのアーキテクチャを構築した。
また,DNN(Deep Neural Network)にARL(Adversarial Expression Learning)を組み込んで,PADのセンサおよび材料不変表現を学習する。
論文 参考訳（メタデータ） (2020-04-06T19:03:05Z)
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。