論文の概要: On the Impact of CDL and TDL Augmentation for RF Fingerprinting under Impaired Channels

• arxiv url: http://arxiv.org/abs/2312.06555v1
• Date: Mon, 11 Dec 2023 17:42:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 12:36:38.831007
• Title: On the Impact of CDL and TDL Augmentation for RF Fingerprinting under Impaired Channels
• Title（参考訳）: RFフィンガープリントにおけるCDLおよびTDL増強の効果について
• Authors: Omer Melih Gul, Michel Kulhandjian, Burak Kantarci, Claude D'Amours, Azzedine Touazi, Cliff Ellement,
• Abstract要約: 本研究の目的は、タップした遅延線とクラスタ化された遅延線(TDL+CDL)の分離が送信者固有の指紋に与える影響を分析し、悪意のあるユーザを正当なユーザと区別することである。 この作業では、5GのみのCDL、WiFiのみのTDL拡張アプローチも検討している。 CDL+TDL, 5G-only-CDL, WiFi-only-TDL拡張アプローチは, 観測されていないデータに対して87.59%, 81.63%, 79.21%の精度を達成した。
• 参考スコア（独自算出の注目度）: 9.206244595879793
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cyber-physical systems have recently been used in several areas (such as connected and autonomous vehicles) due to their high maneuverability. On the other hand, they are susceptible to cyber-attacks. Radio frequency (RF) fingerprinting emerges as a promising approach. This work aims to analyze the impact of decoupling tapped delay line and clustered delay line (TDL+CDL) augmentation-driven deep learning (DL) on transmitter-specific fingerprints to discriminate malicious users from legitimate ones. This work also considers 5G-only-CDL, WiFi-only-TDL augmentation approaches. RF fingerprinting models are sensitive to changing channels and environmental conditions. For this reason, they should be considered during the deployment of a DL model. Data acquisition can be another option. Nonetheless, gathering samples under various conditions for a train set formation may be quite hard. Consequently, data acquisition may not be feasible. This work uses a dataset that includes 5G, 4G, and WiFi samples, and it empowers a CDL+TDL-based augmentation technique in order to boost the learning performance of the DL model. Numerical results show that CDL+TDL, 5G-only-CDL, and WiFi-only-TDL augmentation approaches achieve 87.59%, 81.63%, 79.21% accuracy on unobserved data while TDL/CDL augmentation technique and no augmentation approach result in 77.81% and 74.84% accuracy on unobserved data, respectively.
• Abstract（参考訳）: サイバー物理システムは最近、高い操作性のため、いくつかの領域(コネクテッドカーや自動運転車など)で使用されている。 一方、サイバー攻撃を受けやすい。 無線周波数(RF)フィンガープリントは有望なアプローチとして現れる。 本研究の目的は、タップした遅延線とクラスタ化された遅延線(TDL+CDL)の分離が送信者固有の指紋に与える影響を分析し、悪意のあるユーザを正当なユーザと区別することである。 この作業では、5GのみのCDL、WiFiのみのTDL拡張アプローチも検討している。 RFフィンガープリントモデルは、チャネルや環境の変化に敏感である。 そのため、DLモデルのデプロイ時に考慮すべきである。 データ取得も選択肢のひとつだ。 それでも、様々な条件下でサンプルを集めることは非常に困難である。 そのため、データ取得は不可能である。 この研究は、5G、4G、WiFiサンプルを含むデータセットを使用し、DLモデルの学習性能を高めるために、CDL+TDLベースの拡張技術を強化する。 CDL+TDL, 5G-only-CDL, WiFi-only-TDL Augmentation approach は, 未観測データに対して 87.59%, 81.63%, 79.21%, TDL/CDL Augmentation Technique では 77.81%, 74.84% の精度が得られた。

関連論文リスト

• Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
  本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。 モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。 我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-09-30T17:51:54Z)
• DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
  本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。 VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。 我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
  論文  参考訳（メタデータ） (2024-06-14T17:49:55Z)
• Latent Code Augmentation Based on Stable Diffusion for Data-free Substitute Attacks [47.84143701817491]
  ブラックボックス代替攻撃では対象モデルのトレーニングデータが利用できないため、近年のスキームではGANを用いて代替モデルのトレーニングデータを生成する。 本稿では,SD(Stable Diffusion)に基づくデータフリー代替攻撃方式を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:10:22Z)
• Federated Deep Reinforcement Learning for THz-Beam Search with Limited CSI [17.602598143822913]
  超広帯域でのテラヘルツ(THz)通信は次世代無線ネットワークにおける高データレートの厳密な要求を実現するための有望な技術である。 THz信号の激しい伝搬減衰を効果的に克服するために、大規模なアンテナアレイのビーム方向を見つけることは、迫力のあるニーズである。 本稿では,複数の基地局のTHzビーム探索を高速に行うためのFDRL(Federated Deep reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2023-04-25T19:28:15Z)
• Differentially Private Diffusion Models Generate Useful Synthetic Images [53.94025967603649]
  近年の研究では、いくつかの拡散モデルの出力がトレーニングデータのプライバシを保持していないことが報告されている。 CIFAR-10 と Camelyon17 のSOTA 結果を得た。 以上の結果から,差分プライバシーで微調整された拡散モデルが有用かつ実証可能なプライベートな合成データを生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-02-27T15:02:04Z)
• ADL-ID: Adversarial Disentanglement Learning for Wireless Device Fingerprinting Temporal Domain Adaptation [10.757714954405378]
  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。
  論文  参考訳（メタデータ） (2023-01-29T04:52:41Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Preprint: Using RF-DNA Fingerprints To Classify OFDM Transmitters Under Rayleigh Fading Conditions [1.6058099298620423]
  IoT(Internet of Things)は2020年までにおよそ500億のデバイスで構成される。 IoTデバイスの約70%は、暗号化の形式を使用していないと推定されている。 これまでの研究では、暗号化などのビットレベルのセキュリティメカニズムを増強する手段として、特定エミッタ識別(SEI)が用いられてきた。
  論文  参考訳（メタデータ） (2020-05-06T13:53:25Z)
• 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。