論文の概要: SignCRF: Scalable Channel-agnostic Data-driven Radio Authentication System

• arxiv url: http://arxiv.org/abs/2303.12811v1
• Date: Tue, 21 Mar 2023 21:11:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 16:54:42.282852
• Title: SignCRF: Scalable Channel-agnostic Data-driven Radio Authentication System
• Title（参考訳）: SignCRF: スケーラブルチャネルに依存しないデータ駆動無線認証システム
• Authors: Amani Al-shawabka, Philip Pietraski, Sudhir B Pattar, Pedram Johari, Tommaso Melodia
• Abstract要約: RFFDL(Radio Frequency Fingerprinting through Deep Learning)は、データ駆動型IoT認証技術である。 提案されているSignCRFは、スケーラブルで、チャネルに依存しない、データ駆動の無線認証プラットフォームである。 SignCRFは,WiFiおよびLoRaデバイスの認証精度を最大5倍,8倍向上させることで,RFFDLの性能を著しく向上することを示した。
• 参考スコア（独自算出の注目度）: 17.391164797113134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio Frequency Fingerprinting through Deep Learning (RFFDL) is a data-driven IoT authentication technique that leverages the unique hardware-level manufacturing imperfections associated with a particular device to recognize (fingerprint) the device based on variations introduced in the transmitted waveform. The proposed SignCRF is a scalable, channel-agnostic, data-driven radio authentication platform with unmatched precision in fingerprinting wireless devices based on their unique manufacturing impairments and independent of the dynamic channel irregularities caused by mobility. SignCRF consists of (i) a baseline classifier finely trained to authenticate devices with high accuracy and at scale; (ii) an environment translator carefully designed and trained to remove the dynamic channel impact from RF signals while maintaining the radio's specific signature; (iii) a Max-Rule module that selects the highest precision authentication technique between the baseline classifier and the environment translator per radio. We design, train, and validate the performance of SignCRF for multiple technologies in dynamic environments and at scale (100 LoRa and 20 WiFi devices). We demonstrate that SignCRF significantly improves the RFFDL performance by achieving as high as 5x and 8x improvement in correct authentication of WiFi and LoRa devices when compared to the state-of-the-art, respectively.
• Abstract（参考訳）: RFFDL(Radio Frequency Fingerprinting through Deep Learning)は、特定のデバイスに関連するユニークなハードウェアレベルの製造欠陥を利用して、送信波形に導入されたバリエーションに基づいてデバイスを認識(指紋)するデータ駆動型IoT認証技術である。 SignCRFはスケーラブルでチャネルに依存しないデータ駆動型無線認証プラットフォームであり、独自の製造障害をベースとした指紋認証無線機器の精度が未整合であり、移動性に起因する動的チャネルの不規則性に依存しない。 SignCRF は 一 装置を高精度かつ大規模に認証するよう微妙に訓練された基線分類器 二 無線の特定署名を維持しつつ、RF信号から動的チャネルの影響を取り除くよう慎重に設計し、訓練した環境翻訳者 (iii)ベースライン分類器と無線当たりの環境トランスレータとの間の最高精度認証技術を選択するMax-Ruleモジュール。 我々は、動的環境および大規模(100 loraと20 wifiデバイス)における複数の技術におけるsigncrfの性能を設計、訓練し、検証する。 SignCRFは, 最先端技術と比較して, WiFiとLoRaの認証精度を最大5倍, 8倍向上させることで, RFFDLの性能を著しく向上させることを示した。

関連論文リスト

• Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals [9.99212997328053]
  本稿では,Vector-Quantized Variational Autoencoder (VQ-VAE) を用いたトレーニングデータの拡張を提案する。 VQ-VAEモデルは高忠実な合成RF信号を生成し、トレーニングデータセットの多様性と忠実度を高める。 実験結果から,VQ-VAE生成データの導入により,ベースラインモデルの分類精度が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-23T21:17:45Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。 第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。 第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• 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)
• 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)
• 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)
• RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition [9.135311655929366]
  デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。 RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。 本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:58:29Z)
• A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
  高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。 生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:59:37Z)
• Radio Frequency Fingerprint Identification for LoRa Using Spectrogram and CNN [12.931829749208097]
  スペクトログラムと畳み込みニューラルネットワーク(CNN)に基づくLong Range (LoRa)システムのRFFI方式を設計した。 当社のスペクトログラムベースのスキームは、最高の分類精度、すなわち、20 LoRa DUTの97.61%に達することができます。
  論文  参考訳（メタデータ） (2020-12-30T17:17:47Z)
• Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder [29.590446724625693]
  雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。 現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
  論文  参考訳（メタデータ） (2020-11-16T21:41:31Z)
• 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。