論文の概要: Ensuring Cross-Device Portability of Electromagnetic Side-Channel Analysis

• arxiv url: http://arxiv.org/abs/2312.11301v1
• Date: Mon, 18 Dec 2023 15:54:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 11:57:39.061466
• Title: Ensuring Cross-Device Portability of Electromagnetic Side-Channel Analysis
• Title（参考訳）: 電磁界サイドチャネル解析におけるクロスデバイスポータビリティの確保
• Authors: Lojenaa Navanesana, Nhien-An Le-Khac, Mark Scanlon, Kasun De Zoysa, Asanka P. Sayakkara,
• Abstract要約: スマートデバイスの調査は、デジタル法医学において不可欠なサブドメインとなっている。 非侵入型電磁サイドチャネル解析(EM-SCA)は、スマートデバイスから法医学的洞察を抽出する新たなアプローチである。 本研究では、EM-SCAにおける機械学習(ML)モデルが複数のデバイスにまたがってポータブルであるかどうかを実験的に検討する。
• 参考スコア（独自算出の注目度）: 2.2505504270961434
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Investigation on smart devices has become an essential subdomain in digital forensics. The inherent diversity and complexity of smart devices pose a challenge to the extraction of evidence without physically tampering with it, which is often a strict requirement in law enforcement and legal proceedings. Recently, this has led to the application of non-intrusive Electromagnetic Side-Channel Analysis (EM-SCA) as an emerging approach to extract forensic insights from smart devices. EM-SCA for digital forensics is still in its infancy, and has only been tested on a small number of devices so far. Most importantly, the question still remains whether Machine Learning (ML) models in EM-SCA are portable across multiple devices to be useful in digital forensics, i.e., cross-device portability. This study experimentally explores this aspect of EM-SCA using a wide set of smart devices. The experiments using various iPhones and Nordic Semiconductor nRF52-DK devices indicate that the direct application of pre-trained ML models across multiple identical devices does not yield optimal outcomes (under 20% accuracy in most cases). Subsequent experiments included collecting distinct samples of EM traces from all the devices to train new ML models with mixed device data; this also fell short of expectations (still below 20% accuracy). This prompted the adoption of transfer learning techniques, which showed promise for cross-model implementations. In particular, for the iPhone 13 and nRF52-DK devices, applying transfer learning techniques resulted in achieving the highest accuracy, with accuracy scores of 98% and 96%, respectively. This result makes a significant advancement in the application of EM-SCA to digital forensics by enabling the use of pre-trained models across identical or similar devices.
• Abstract（参考訳）: スマートデバイスの調査は、デジタル法医学において不可欠なサブドメインとなっている。 スマートデバイスの固有の多様性と複雑さは、物理的に干渉することなく証拠の抽出に挑戦する。 近年,非侵入型電磁サイドチャネル解析 (EM-SCA) をスマートデバイスから法医学的洞察を抽出するための新たなアプローチとして採用している。 デジタル鑑識のためのEM-SCAはまだ初期段階であり、これまで少数のデバイスでしかテストされていない。 最も重要な点は、EM-SCAの機械学習(ML)モデルが複数のデバイスにまたがって移植可能であり、デジタル法医学、すなわちクロスデバイスポータビリティに有用かどうかである。 本研究は,広義のスマートデバイスを用いたEM-SCAのこの側面を実験的に検討する。 様々なiPhoneとNordic Semiconductor nRF52-DKデバイスを用いた実験では、複数の同一デバイスで事前訓練されたMLモデルの直接適用は最適な結果にならない(ほとんどの場合、20%の精度で)。 その後の実験では、すべてのデバイスから異なるEMトレースのサンプルを収集して、混合デバイスデータで新しいMLモデルをトレーニングした。 これにより、クロスモデル実装を約束するトランスファーラーニング技術が導入された。 特に、iPhone 13 と nRF52-DK デバイスでは、転送学習技術を適用して、それぞれ 98% と 96% の精度で、最高精度を達成した。 この結果、EM-SCAのデジタル法医学への応用において、同一または類似のデバイスにまたがって事前訓練されたモデルを使用することにより、大きな進歩を遂げた。

関連論文リスト

• U-SWIM: Universal Selective Write-Verify for Computing-in-Memory Neural Accelerators [8.813981342105151]
  書き込み検証を要求される重みを識別する新しい方法であるUSWIMを紹介する。 USWIMは、従来の徹底的な書き込み検証手法に対して、プログラムアクセラレーションを最大10倍に向上させる。 以前のSWIM技術と比較すると、USWIMは非均一な変化を示すデバイスを扱う場合のスピードアップを7倍に向上させる。
  論文  参考訳（メタデータ） (2023-12-11T05:47:16Z)
• Crossed-IoT device portability of Electromagnetic Side Channel Analysis: Challenges and Dataset [1.7811840395202345]
  本研究では,EM-SCA手法の精度と信頼性に及ぼすデバイス可変性の影響について検討した。 本稿では,EM-SCAデータセットを収集し,伝達学習を用いてより有意義で信頼性の高い結果を得る可能性を示す。
  論文  参考訳（メタデータ） (2023-10-04T19:13:39Z)
• Ensemble Learning based Anomaly Detection for IoT Cybersecurity via Bayesian Hyperparameters Sensitivity Analysis [2.3226893628361682]
  IoT(Internet of Things)は、世界中の何十億ものインテリジェントデバイスを統合し、他の接続デバイスと通信する機能を備えている。 IoTによって収集されたデータには、異常検出のための膨大な情報が含まれている。 本稿では,異常検出によるIoTサイバーセキュリティ向上のためのアンサンブル機械学習手法について検討する。
  論文  参考訳（メタデータ） (2023-07-20T05:23:49Z)
• SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems [0.0]
  本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
  論文  参考訳（メタデータ） (2022-10-05T10:58:39Z)
• MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
  ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。 ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
  論文  参考訳（メタデータ） (2022-05-25T11:08:20Z)
• 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)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• An Efficient One-Class SVM for Anomaly Detection in the Internet of Things [25.78558553080511]
  安全なモノのインターネット(IoT)デバイスは、重要なインフラストラクチャとインターネット全体に重大な脅威をもたらします。 これらのデバイスから異常な行動を検出することは 依然として重要です ワンクラスサポートベクターマシン(OCSVM)は、ノベルティ検出のための最先端のアプローチの1つです。
  論文  参考訳（メタデータ） (2021-04-22T15:59:56Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• Incremental Few-Shot Object Detection [96.02543873402813]
  OpeN-ended Centre nEtは、いくつかの例でクラスオブジェクトの検出を漸進的に学習する検出器である。 ONCEはインクリメンタルな学習パラダイムを十分に尊重しており、新しいクラス登録では、数発のトレーニングサンプルを1回だけフォワードパスするだけでよい。
  論文  参考訳（メタデータ） (2020-03-10T12:56:59Z)

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。