論文の概要: MobRFFI: Non-cooperative Device Re-identification for Mobility Intelligence
- arxiv url: http://arxiv.org/abs/2503.02156v1
- Date: Tue, 04 Mar 2025 00:39:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:21:15.335202
- Title: MobRFFI: Non-cooperative Device Re-identification for Mobility Intelligence
- Title（参考訳）: MobRFFI:モビリティインテリジェンスのための非協調デバイス再識別
- Authors: Stepan Mazokha, Fanchen Bao, George Sklivanitis, Jason O. Hallstrom,
- Abstract要約: 我々は、Wi-Fiネットワーク用のAIベースのデバイスフィンガープリントおよび再識別フレームワークであるMobRFFIを提案する。
本手法は, 複数日と1日の再識別シナリオにおいて, 94%, 100%のデバイス精度を実現する。
また,マルチ受信型WiFiデバイス指紋認証評価のための新しいデータセットMobRFFIも収集した。
- 参考スコア（独自算出の注目度）: 0.984963525011891
- License:
- Abstract: WiFi-based mobility monitoring in urban environments can provide valuable insights into pedestrian and vehicle movements. However, MAC address randomization introduces a significant obstacle in accurately estimating congestion levels and path trajectories. To this end, we consider radio frequency fingerprinting and re-identification for attributing WiFi traffic to emitting devices without the use of MAC addresses. We present MobRFFI, an AI-based device fingerprinting and re-identification framework for WiFi networks that leverages an encoder deep learning model to extract unique features based on WiFi chipset hardware impairments. It is entirely independent of frame type. When evaluated on the WiFi fingerprinting dataset WiSig, our approach achieves 94% and 100% device accuracy in multi-day and single-day re-identification scenarios, respectively. We also collect a novel dataset, MobRFFI, for granular multi-receiver WiFi device fingerprinting evaluation. Using the dataset, we demonstrate that the combination of fingerprints from multiple receivers boosts re-identification performance from 81% to 100% on a single-day scenario and from 41% to 100% on a multi-day scenario.
- Abstract（参考訳）: 都市環境におけるWiFiによる移動監視は、歩行者や車両の動きに関する貴重な洞察を提供することができる。
しかしMACアドレスのランダム化は、渋滞レベルと経路軌跡を正確に推定する上で大きな障害をもたらす。
この目的のために、MACアドレスを使わずに、送信デバイスにWiFiトラフィックを帰属させる無線周波数フィンガープリントと再識別について検討する。
我々は,Wi-Fiチップセットのハードウェア障害に基づくユニークな特徴を抽出するために,エンコーダディープラーニングモデルを活用する,Wi-Fiネットワーク用のAIベースのデバイスフィンガープリントおよび再識別フレームワークであるMobRFFIを提案する。
フレームタイプとは無関係である。
WiFi フィンガープリントデータセット WiSig で評価すると,複数日と1日の再識別シナリオにおいて,それぞれ 94% と 100% のデバイス精度を達成できる。
また,マルチ受信型WiFiデバイス指紋認証評価のための新しいデータセットMobRFFIも収集した。
このデータセットを用いて,複数の受信機からの指紋の組み合わせにより,1日のシナリオでは81%から100%,複数日のシナリオでは41%から100%に再識別性能が向上することを示した。
関連論文リスト
- Leveraging Machine Learning for Accurate IoT Device Identification in Dynamic Wireless Contexts [4.002351785644765]
この研究は、細粒度チャネルのダイナミックスを捉えるための新しいアプローチとして「累積スコア」を導入している。
提案手法を実装し,実世界のシナリオにおけるデバイス識別の精度とオーバヘッドを測定した。
その結果、バランスの取れたデータ収集と機械学習アルゴリズムの蓄積スコアを組み込むことで、デバイス識別のF1スコアが97%以上に達することを確認した。
論文 参考訳（メタデータ） (2024-05-15T22:34:52Z) - Vision Reimagined: AI-Powered Breakthroughs in WiFi Indoor Imaging [4.236383297604285]
全方位信号としてのWiFiは、受動的撮像を行い、最新の情報をすべての接続デバイスに同期させる有望な候補である。
これは、WiFi屋内イメージングを、計測されたWiFi電力を高解像度の屋内画像に変換するマルチモーダル画像生成タスクとして考える最初の研究である。
提案するWiFi-GENネットワークは,物理モデルに基づく手法で実現した形状復元精度の275%を達成している。
論文 参考訳（メタデータ） (2024-01-09T02:20:30Z) - Autosen: improving automatic wifi human sensing through cross-modal
autoencoder [56.44764266426344]
WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。
ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。
我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
論文 参考訳（メタデータ） (2024-01-08T19:50:02Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - RF Fingerprinting Needs Attention: Multi-task Approach for Real-World
WiFi and Bluetooth [1.0312968200748116]
ドメイン横断型マルチタスクアーキテクチャであるxDomが本研究で紹介されている。
我々は、リッチなマルチパスおよび避けられない干渉環境において、実世界のIoT WiFiおよびBluetooth(BT)エミッションを利用する。
シングルタスクWiFiおよびBTフィンガープリントにおいて,最大59.3%,4.91倍の性能向上を報告した。
論文 参考訳（メタデータ） (2022-09-07T13:38:06Z) - WiFi-based Spatiotemporal Human Action Perception [53.41825941088989]
SNN(End-to-end WiFi signal Neural Network)は、Wi-Fiのみのセンシングを可能にするために提案されている。
特に、3D畳み込みモジュールはWiFi信号の時間的連続性を探索することができ、特徴自己保持モジュールは支配的な特徴を明示的に維持することができる。
論文 参考訳（メタデータ） (2022-06-20T16:03:45Z) - A Wireless-Vision Dataset for Privacy Preserving Human Activity
Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。
以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文 参考訳（メタデータ） (2022-05-24T10:49:11Z) - 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) - Immediate Proximity Detection Using Wi-Fi-Enabled Smartphones [1.3706331473063877]
本稿では,2つのWi-Fi対応デバイスが物理的に近接しているかどうかを検知する新しい手法を提案する。
我々の目標は、スマートフォンによる露出通知と接触追跡システムの精度を高めることである。
論文 参考訳（メタデータ） (2021-06-05T02:17:01Z) - Self-Supervised WiFi-Based Activity Recognition [3.4473723375416188]
屋内環境における受動的活動認識のためのWi-Fiデバイスから微細な物理層情報を抽出する。
自己監督型コントラスト学習による活動認識性能の向上を提案する。
WiFiによる活動認識のタスクにおいて,マクロ平均F1スコアの17.7%の増加が観察された。
論文 参考訳（メタデータ） (2021-04-19T06:40:21Z) - Vision Meets Wireless Positioning: Effective Person Re-identification
with Recurrent Context Propagation [120.18969251405485]
既存の人物再識別方法は、歩行者を捕獲する視覚センサーに依存している。
携帯電話は、無線測位信号の形で、WiFiや携帯電話ネットワークによって感知することができる。
本稿では,視覚データと無線位置決めデータの間で情報伝達を可能にする新しいコンテキスト伝搬モジュールを提案する。
論文 参考訳（メタデータ） (2020-08-10T14:19:15Z)
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。