論文の概要: T-PRIME: Transformer-based Protocol Identification for Machine-learning at the Edge

• arxiv url: http://arxiv.org/abs/2401.04837v2
• Date: Mon, 4 Mar 2024 18:56:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 01:00:09.008015
• Title: T-PRIME: Transformer-based Protocol Identification for Machine-learning at the Edge
• Title（参考訳）: T-PRIME:エッジでの機械学習のためのトランスフォーマーベースのプロトコル識別
• Authors: Mauro Belgiovine, Joshua Groen, Miquel Sirera, Chinenye Tassie, Ayberk Yark{\i}n Y{\i}ld{\i}z, Sage Trudeau, Stratis Ioannidis, Kaushik Chowdhury
• Abstract要約: T-PRIMEはTransformerベースの機械学習アプローチである。 送信フレームの構造設計をアテンション機構を通じて学習する。 これは、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を厳格に分析します。
• 参考スコア（独自算出の注目度）: 7.170870264936032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectrum sharing allows different protocols of the same standard (e.g., 802.11 family) or different standards (e.g., LTE and DVB) to coexist in overlapping frequency bands. As this paradigm continues to spread, wireless systems must also evolve to identify active transmitters and unauthorized waveforms in real time under intentional distortion of preambles, extremely low signal-to-noise ratios and challenging channel conditions. We overcome limitations of correlation-based preamble matching methods in such conditions through the design of T-PRIME: a Transformer-based machine learning approach. T-PRIME learns the structural design of transmitted frames through its attention mechanism, looking at sequence patterns that go beyond the preamble alone. The paper makes three contributions: First, it compares Transformer models and demonstrates their superiority over traditional methods and state-of-the-art neural networks. Second, it rigorously analyzes T-PRIME's real-time feasibility on DeepWave's AIR-T platform. Third, it utilizes an extensive 66 GB dataset of over-the-air (OTA) WiFi transmissions for training, which is released along with the code for community use. Results reveal nearly perfect (i.e. $>98\%$) classification accuracy under simulated scenarios, showing $100\%$ detection improvement over legacy methods in low SNR ranges, $97\%$ classification accuracy for OTA single-protocol transmissions and up to $75\%$ double-protocol classification accuracy in interference scenarios.
• Abstract（参考訳）: スペクトル共有により、同じ標準(例えば802.11ファミリ)や異なる標準(例えばLTEとDVB)の異なるプロトコルが重なり合う周波数帯域で共存できる。 このパラダイムが広まるにつれて、無線システムはプリアンブルの意図的な歪み、信号対雑音比の極低、挑戦的なチャネル条件の下で、アクティブな送信機や未許可波形をリアルタイムで識別するためにも進化する必要がある。 我々は,T-PRIME(Transformer-based machine learning approach)の設計を通じて,相関型プレアンブルマッチング手法の制約を克服する。 T-PRIMEは、プリアンブルのみを超えるシーケンスパターンを見て、そのアテンションメカニズムを通じて送信フレームの構造設計を学習する。 まず、Transformerモデルを比較し、従来の手法や最先端のニューラルネットワークよりも優れていることを示す。 次に、DeepWaveのAIR-Tプラットフォーム上でのT-PRIMEのリアルタイム実現可能性を分析します。 第3に、トレーニングには66GBのOTA(Over-the-air)WiFi送信データセットを使用しており、コミュニティ利用のコードとともにリリースされている。 その結果、シミュレーションシナリオでは、ほぼ完全な分類精度(すなわち、$>98\%$)が示され、低SNR域のレガシーメソッドよりも100\%$検出精度が向上し、OTA単一プロトコール伝送の分類精度が97\%$、干渉シナリオにおける最大75\%$ダブルプロトコール分類精度が示された。

関連論文リスト

• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [58.50423084652587]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Federated Radio Frequency Fingerprinting with Model Transfer and Adaptation [26.646820912136416]
  本稿では,モデル転送と適応という新しい手法を用いたRFフィンガープリントアルゴリズムを提案する。 提案アルゴリズムは、RFフィンガープリントに畳み込み層間の密接な接続を導入し、学習精度を高め、モデルの複雑さを低減する。 現状のRFフィンガープリンティングアルゴリズムと比較して,提案アルゴリズムは最大15%の性能向上で予測性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-22T14:55:30Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,DTAADの異常検出と診断モデルを提案する。 6つのデータセットに対する実験により、DTAADは検出および診断性能の両方において、現在最も先進的なベースライン法を超えていることが確認された。 DTAADはF1のスコアを8.38%で改善し、ベースラインに比べてトレーニング時間を99%下げた。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
  畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。 連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
  論文  参考訳（メタデータ） (2021-03-22T18:00:13Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)
• LinksIQ: Robust and Efficient Modulation Recognition with Imperfect Spectrum Scans [14.27482188246212]
  LinksIQは、仮定を単純化して設計された実世界のスペクトルセンシングとModrecメソッドのギャップを埋める。 我々の重要な洞察は、順序付きIQサンプルが、スキャンの欠陥があっても持続する変調にまたがる独特のパターンを形成することである。 本研究は,小型トランスミッターフィンガープリントの実現可能性を示すものである。
  論文  参考訳（メタデータ） (2020-05-07T12:16:38Z)

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。