論文の概要: Edge AI-based Radio Frequency Fingerprinting for IoT Networks

• arxiv url: http://arxiv.org/abs/2412.10553v1
• Date: Fri, 13 Dec 2024 20:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:28.558410
• Title: Edge AI-based Radio Frequency Fingerprinting for IoT Networks
• Title（参考訳）: IoTネットワークのためのエッジAIベースの高周波フィンガープリント
• Authors: Ahmed Mohamed Hussain, Nada Abughanam, Panos Papadimitratos,
• Abstract要約: 暗号は、小さなフットプリントのリソース制限されたデバイス(つまりIoT)に対して、しばしばリソース集約的である。 RFF(Radio Frequency Fingerprinting)は、暗号化ソリューションに頼ることなく、有望な認証手段を提供する。 リソース制約のあるデバイスに適した、非常に軽量なEdge AIベースのRFFスキームを2つ導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The deployment of the Internet of Things (IoT) in smart cities and critical infrastructure has enhanced connectivity and real-time data exchange but introduced significant security challenges. While effective, cryptography can often be resource-intensive for small-footprint resource-constrained (i.e., IoT) devices. Radio Frequency Fingerprinting (RFF) offers a promising authentication alternative by using unique RF signal characteristics for device identification at the Physical (PHY)-layer, without resorting to cryptographic solutions. The challenge is two-fold: how to deploy such RFF in a large scale and for resource-constrained environments. Edge computing, processing data closer to its source, i.e., the wireless device, enables faster decision-making, reducing reliance on centralized cloud servers. Considering a modest edge device, we introduce two truly lightweight Edge AI-based RFF schemes tailored for resource-constrained devices. We implement two Deep Learning models, namely a Convolution Neural Network and a Transformer-Encoder, to extract complex features from the IQ samples, forming device-specific RF fingerprints. We convert the models to TensorFlow Lite and evaluate them on a Raspberry Pi, demonstrating the practicality of Edge deployment. Evaluations demonstrate the Transformer-Encoder outperforms the CNN in identifying unique transmitter features, achieving high accuracy (> 0.95) and ROC-AUC scores (> 0.90) while maintaining a compact model size of 73KB, appropriate for resource-constrained devices.
• Abstract（参考訳）: スマートシティとクリティカルインフラストラクチャへのIoT(Internet of Things)のデプロイは、接続性とリアルタイムデータ交換を向上する一方で、重大なセキュリティ上の課題も導入している。 効果的な暗号は、小さなフットプリントのリソース制約のあるデバイス(つまりIoT)では、しばしばリソース集約的である。 RFF(Radio Frequency Fingerprinting)は、物理(PHY)層におけるデバイス識別に独自のRF信号特性を用いることで、暗号化ソリューションに頼ることなく、有望な認証手段を提供する。 このようなRFFを大規模にデプロイする方法と、リソースに制約のある環境に対して、その課題は2つある。 エッジコンピューティングは、そのソースに近いデータを処理し、すなわちワイヤレスデバイスは、より高速な意思決定を可能にし、集中型のクラウドサーバへの依存を減らす。 控えめなエッジデバイスを考えると、リソース制約のあるデバイスに適した、非常に軽量なEdge AIベースのRFFスキームを2つ導入する。 我々は2つのDeep Learningモデル、すなわち畳み込みニューラルネットワークとTransformer-Encoderを実装し、IQサンプルから複雑な特徴を抽出し、デバイス固有のRF指紋を生成する。 モデルをTensorFlow Liteに変換し、Raspberry Pi上で評価し、Edgeデプロイメントの実用性を実証します。 評価では、Transformer-Encoderは、リソース制約のあるデバイスに適した73KBのコンパクトモデルサイズを維持しながら、CNNのユニークな送信機の特徴を識別し、高い精度 (> 0.95) とROC-AUCスコア (> 0.90) を達成している。

関連論文リスト

• Efficient Federated Intrusion Detection in 5G ecosystem using optimized BERT-based model [0.7100520098029439]
  5Gは高度なサービスを提供し、IoT(Internet of Things)内のインテリジェントトランスポート、コネクテッドヘルスケア、スマートシティなどのアプリケーションをサポートする。 これらの進歩は、ますます高度なサイバー攻撃を伴う、重大なセキュリティ上の課題をもたらす。 本稿では,連合学習と大規模言語モデル(LLM)を用いた頑健な侵入検知システム(IDS)を提案する。
  論文  参考訳（メタデータ） (2024-09-28T15:56:28Z)
• Residual-INR: Communication Efficient On-Device Learning Using Implicit Neural Representation [3.8419570843262054]
  Residual-INRはフォグコンピューティングに基づく通信効率の高いデバイス上での学習フレームワークである。 データ転送を最大5.16倍に削減する。 また、CPUを使わずにデバイス上での学習を加速し、精度を犠牲にすることなく最大2.9倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2024-08-10T19:31:21Z)
• Revolutionizing Cyber Threat Detection with Large Language Models: A privacy-preserving BERT-based Lightweight Model for IoT/IIoT Devices [3.340416780217405]
  本稿では,インターネットネットワークにおけるサイバー脅威検出にBERT(Bidirectional Representations from Transformers)モデルを活用する,新たなアーキテクチャであるSecurityBERTを提案する。 我々の研究は、SecurityBERTがサイバー脅威検出において、畳み込みニューラルネットワーク(CNNIoT)やリカレントニューラルネットワーク(IoTRNN)など、従来の機械学習(ML)とディープラーニング(DL)の手法より優れていることを示した。 SecurityBERTは、14の異なる攻撃タイプを特定することで、98.2%の全体的な精度を達成し、ハイブリッドソリューションによって設定された過去の記録を上回った。
  論文  参考訳（メタデータ） (2023-06-25T15:04:21Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge [3.841495731646297]
  大規模な機械学習モデルでは、レイテンシに敏感な下流タスクのためにエッジデバイス上で実装することが難しくなる可能性がある。 無線通信システムでは、ミリ秒以下のスケールでのMLデータ処理により、リアルタイムなネットワーク監視が可能となる。 本稿では,フォトニック・ハードウエアにインスパイアされたリカレントニューラルネットワークモデルからなる,コンパクトなディープ・ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-25T19:55:41Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• The Case for Retraining of ML Models for IoT Device Identification at the Edge [0.026215338446228163]
  ネットワークのエッジで利用可能なリソースを用いて、ネットワークの振る舞いに基づいてIoTデバイスを識別する方法を示す。 エッジにおいて、デバイス識別と分類をそれぞれ80%以上と90%以上精度で達成することができる。
  論文  参考訳（メタデータ） (2020-11-17T13:01:04Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。