論文の概要: ADL-ID: Adversarial Disentanglement Learning for Wireless Device
Fingerprinting Temporal Domain Adaptation
- arxiv url: http://arxiv.org/abs/2301.12360v1
- Date: Sun, 29 Jan 2023 04:52:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 17:35:38.961436
- Title: ADL-ID: Adversarial Disentanglement Learning for Wireless Device
Fingerprinting Temporal Domain Adaptation
- Title（参考訳）: ADL-ID: 時間領域適応を用いた無線デバイスフィンガープリントのための対角距離学習
- Authors: Abdurrahman Elmaghbub, Bechir Hamdaoui and Weng-Keen Wong
- Abstract要約: RFFPタスクの時間領域適応に対処するための教師なしドメイン適応フレームワークであるADL-IDを提案する。
我々のフレームワークは実際のLoRaおよびWiFiデータセットで評価され、ベースラインCNNネットワークと比較して約24%精度が向上した。
また、長期適応において、分類精度を最大9%向上させる。
- 参考スコア（独自算出の注目度）: 10.757714954405378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the journey of 5G standardization is coming to an end, academia and
industry have already begun to consider the sixth-generation (6G) wireless
networks, with an aim to meet the service demands for the next decade. Deep
learning-based RF fingerprinting (DL-RFFP) has recently been recognized as a
potential solution for enabling key wireless network applications and services,
such as spectrum policy enforcement and network access control. The
state-of-the-art DL-RFFP frameworks suffer from a significant performance drop
when tested with data drawn from a domain that is different from that used for
training data. In this paper, we propose ADL-ID, an unsupervised domain
adaption framework that is based on adversarial disentanglement representation
to address the temporal domain adaptation for the RFFP task. Our framework has
been evaluated on real LoRa and WiFi datasets and showed about 24% improvement
in accuracy when compared to the baseline CNN network on short-term temporal
adaptation. It also improves the classification accuracy by up to 9% on
long-term temporal adaptation. Furthermore, we release a 5-day, 2.1TB,
large-scale WiFi 802.11b dataset collected from 50 Pycom devices to support the
research community efforts in developing and validating robust RFFP methods.
- Abstract（参考訳）: 5Gの標準化の旅が終わるにつれ、学界や業界は今後10年間のサービス要求を満たすために、第6世代(6G)無線ネットワークについて検討し始めている。
深層学習に基づくRFフィンガープリント(DL-RFFP)は、近年、スペクトルポリシー適用やネットワークアクセス制御といった重要な無線ネットワークアプリケーションやサービスを実現するための潜在的なソリューションとして認識されている。
最先端のDL-RFFPフレームワークは、トレーニングデータとは異なるドメインから引き出されたデータでテストすると、大幅なパフォーマンス低下に悩まされる。
本稿では, RFFPタスクの時間領域適応に対処するため, 対角不整合表現に基づく教師なしドメイン適応フレームワークであるADL-IDを提案する。
我々のフレームワークは実LoRaおよびWiFiデータセットで評価され、短期適応におけるベースラインCNNネットワークと比較して約24%精度が向上した。
また、長期的な時間適応において、分類精度を最大9%向上させる。
さらに,50台のPycomデバイスから収集した5日間の2.1TBの大規模WiFi 802.11bデータセットを公開し,ロバストなRFFP手法の開発と検証に関する研究コミュニティの取り組みを支援する。
関連論文リスト
- Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。
本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。
モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
論文 参考訳（メタデータ） (2024-11-05T07:01:15Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - 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) - FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks [5.914766366715661]
フェデレートラーニング(FL)は、ローカルデータを公開せずにデバイス全体でグローバルモデルをトレーニングする。
無線ネットワークにおけるリソースの不均一性と避けられないストラグラーは、FLトレーニングの効率と正確性に大きな影響を与えます。
動的クロスティアフェデレーション学習フレームワーク(FedDCT)を提案する。
論文 参考訳（メタデータ） (2023-07-10T08:54:07Z) - Distributed Multi-Agent Deep Q-Learning for Fast Roaming in IEEE
802.11ax Wi-Fi Systems [8.057006406834466]
Wi-Fi 6 IEEE 802.11axは無線ローカルネットワーク(WLAN)の第6世代(6G)技術として承認された。
本稿では,Wi-Fi 6 システムにおける Smart Warehouse 用ステーションローミングにおける遅延を効果的に抑えるために,高速ローミング (MADAR) アルゴリズムのためのマルチエージェント深層Q-ラーニングを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:39:59Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z) - 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) - FallDeF5: A Fall Detection Framework Using 5G-based Deep Gated Recurrent
Unit Networks [14.343733233707267]
本研究では,ディープラーニングアルゴリズムとモバイルエッジコンピューティングに基づく効果的な転倒検出フレームワークを提案する。
また,DGRU(Deep gated Recurrent Unit)ニューラルネットワークを用いて,既存のDLを用いた転倒検出手法の精度を向上させることを提案する。
論文 参考訳（メタデータ） (2021-06-29T01:31:35Z) - Meta-Reinforcement Learning for Trajectory Design in Wireless UAV
Networks [151.65541208130995]
ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。
この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。
新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-25T20:43:59Z)
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。