論文の概要: Uncovering the Portability Limitation of Deep Learning-Based Wireless Device Fingerprints

• arxiv url: http://arxiv.org/abs/2211.07687v1
• Date: Mon, 14 Nov 2022 19:03:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 15:47:19.435455
• Title: Uncovering the Portability Limitation of Deep Learning-Based Wireless Device Fingerprints
• Title（参考訳）: 深層学習型無線デバイス指紋の可搬性限界を明らかにする
• Authors: Bechir Hamdaoui, Abdurrahman Elmaghbub
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.698553177585973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent device fingerprinting approaches rely on deep learning to extract device-specific features solely from raw RF signals to identify, classify and authenticate wireless devices. One widely known issue lies in the inability of these approaches to maintain good performances when the training data and testing data are collected under varying deployment domains. For example, when the learning model is trained on data collected from one receiver but tested on data collected from a different receiver, the performance degrades substantially compared to when both training and testing data are collected using the same receiver. The same also happens when considering other varying domains, like channel condition and protocol configuration. In this paper, we begin by explaining, through testbed experiments, the challenges these fingerprinting techniques face when it comes to domain portability. We will then present some ideas on how to go about addressing these challenges so as to make deep learning-based device fingerprinting more resilient to domain variability.
• Abstract（参考訳）: 最近のデバイス指紋認証手法は、無線デバイスを識別、分類、認証するために、生のRF信号からのみ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。 例えば、学習モデルが1つの受信機から収集されたデータに基づいてトレーニングされ、異なる受信機から収集されたデータに基づいてテストされると、トレーニングデータとテストデータの両方が同じ受信機を使用して収集された場合と比較して、性能は大幅に低下する。 チャネル条件やプロトコル設定など、他の異なるドメインも考慮すれば、同じことが起こる。 本稿では,テストベッド実験を通じて,これらのフィンガープリント技術がドメインポータビリティに直面する課題を説明することから始める。 次に、深層学習ベースのデバイスフィンガープリントをよりドメインの可変性に弾力性を持たせるために、これらの課題に対処する方法をいくつか提示する。

関連論文リスト

• Training-Free Deepfake Voice Recognition by Leveraging Large-Scale Pre-Trained Models [52.04189118767758]
  一般化は、現在のオーディオディープフェイク検出器の主な問題である。 本稿では,オーディオディープフェイク検出のための大規模事前学習モデルの可能性について検討する。
  論文  参考訳（メタデータ） (2024-05-03T15:27:11Z)
• Unsupervised Contrastive Learning for Robust RF Device Fingerprinting Under Time-Domain Shift [12.443489826220183]
  RF(Radio Frequency)デバイス指紋認証は、無線デバイスの自動識別と分類の潜在的な技術として認識されている。 チャネルの状態や環境設定の変化から生じる可能性のあるドメインシフトのために、これは大きな課題に直面します。 本稿では,この領域シフト問題を緩和するために,コントラスト学習を活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-06T20:33:55Z)
• On the Domain Generalizability of RF Fingerprints Through Multifractal Dimension Representation [6.05147450902935]
  近年,深層学習によるRFデータ駆動型デバイス指紋認証が,セキュアなデバイス識別と認証を可能にする方法として浮上している。 従来のアプローチは、あるドメインで収集されたデータに基づいてトレーニングされたモデルが異なるドメインで収集されたデータ上でテストされた場合、そのドメイン適応の問題に一般的に影響を受けます。 本研究では,深部ニューラルネットワークに入力されるデータ表現として,マルチフラクタル解析と分散フラクタル次元軌跡(VFDT)を用いて,ドメインを一般化可能なデバイス指紋を抽出する。
  論文  参考訳（メタデータ） (2024-02-15T16:07:35Z)
• Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT Security: Sensitivity to Network Deployment Changes [10.698553177585973]
  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。
  論文  参考訳（メタデータ） (2022-08-31T16:53:05Z)
• 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)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• 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)
• Are Pretrained Transformers Robust in Intent Classification? A Missing Ingredient in Evaluation of Out-of-Scope Intent Detection [93.40525251094071]
  まず、少数ショットの意図認識タスクにおいて、ドメイン内スコープ外検出の重要性を指摘する。 次に、ドメイン内だがスコープ外(ID-OOS)であるサンプルに対して、事前訓練したTransformerベースのモデルの脆弱性を説明する。
  論文  参考訳（メタデータ） (2021-06-08T17:51:12Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain Detection [60.88952532574564]
  本稿では,ドメイン外インテント検出手法を徹底的に比較する。 意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。 本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
  論文  参考訳（メタデータ） (2021-01-11T09:10:58Z)
• Wireless Fingerprinting via Deep Learning: The Impact of Confounding Factors [13.126014437648609]
  複素数値深部ニューラルネットワーク(DNN)を用いた学習デバイス指紋の検討 このような指紋は、時間や場所の移動に対して、時間や場所の変動や無線チャンネルの変動に頑健にできるかどうかを問う。 本稿では,これらの要因の一般化を促進するために,拡張と推定に基づく戦略を提案し,評価する。
  論文  参考訳（メタデータ） (2020-02-25T11:02:45Z)

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。