論文の概要: Physical Layer-Based Device Fingerprinting for Wireless Security: From Theory to Practice

• arxiv url: http://arxiv.org/abs/2506.09807v1
• Date: Wed, 11 Jun 2025 14:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:03.065775
• Title: Physical Layer-Based Device Fingerprinting for Wireless Security: From Theory to Practice
• Title（参考訳）: 無線セキュリティのための物理層型デバイスフィンガープリント:理論から実践へ
• Authors: Junqing Zhang, Francesco Ardizzon, Mattia Piana, Guanxiong Shen, Stefano Tomasin,
• Abstract要約: 物理的レイヤベースのデバイス指紋認証は、無線セキュリティのための新しいデバイス認証である。 本稿では,ハードウェア障害に基づくID認証とチャネル機能に基づく認証に焦点を当てる。
• 参考スコア（独自算出の注目度）: 12.512982702508669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The identification of the devices from which a message is received is part of security mechanisms to ensure authentication in wireless communications. Conventional authentication approaches are cryptography-based, which, however, are usually computationally expensive and not adequate in the Internet of Things (IoT), where devices tend to be low-cost and with limited resources. This paper provides a comprehensive survey of physical layer-based device fingerprinting, which is an emerging device authentication for wireless security. In particular, this article focuses on hardware impairment-based identity authentication and channel features-based authentication. They are passive techniques that are readily applicable to legacy IoT devices. Their intrinsic hardware and channel features, algorithm design methodologies, application scenarios, and key research questions are extensively reviewed here. The remaining research challenges are discussed, and future work is suggested that can further enhance the physical layer-based device fingerprinting.
• Abstract（参考訳）: メッセージが受信されたデバイスの識別は、無線通信における認証を保証するためのセキュリティメカニズムの一部である。 しかし、従来の認証アプローチは暗号方式であり、通常は計算コストが高く、IoT(Internet of Things)では不十分である。 本稿では,無線セキュリティのための新しいデバイス認証である物理層を用いたデバイス指紋認証について,包括的に調査する。 特に、ハードウェア障害に基づくID認証とチャネル機能に基づく認証に焦点を当てる。 これらは、レガシーIoTデバイスに容易に適用可能なパッシブテクニックである。 彼らの本質的なハードウェアとチャネル機能、アルゴリズム設計方法論、アプリケーションシナリオ、そして重要な研究課題は、ここで広くレビューされている。 残る研究課題が議論され、さらに物理層ベースのデバイス指紋認証をさらに強化する今後の研究が提案されている。

関連論文リスト

• To See or Not to See -- Fingerprinting Devices in Adversarial Environments Amid Advanced Machine Learning [0.725130576615102]
  デバイスフィンガープリントは、しばしばデバイスを認証し、敵を検出し、環境中の盗聴者を特定するために使用される。 これは正当性と悪意のあるデバイスを識別する能力を必要とする。 デバイス指紋認証のための汎用的で単純化されたモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-11T05:40:47Z)
• ACRIC: Securing Legacy Communication Networks via Authenticated Cyclic Redundancy Integrity Check [98.34702864029796]
  安全クリティカルな業界における最近のセキュリティインシデントは、適切なメッセージ認証の欠如により、攻撃者が悪意のあるコマンドを注入したり、システムの振る舞いを変更することができることを明らかにした。 これらの欠点は、サイバーセキュリティを強化するために圧力をかける必要性を強調する新しい規制を引き起こしている。 我々は,レガシ産業通信をセキュアにするためのメッセージ認証ソリューションであるACRICを紹介する。
  論文  参考訳（メタデータ） (2024-11-21T18:26:05Z)
• Deepfake Media Forensics: State of the Art and Challenges Ahead [51.33414186878676]
  AIが生成する合成メディア、別名Deepfakesは、エンターテイメントからサイバーセキュリティまで、多くの領域に影響を与えている。 ディープフェイク検出は、微妙な矛盾やアーティファクトを機械学習技術で識別することに焦点を当て、研究の不可欠な領域となっている。 本稿では,これらの課題に対処する主要なアルゴリズムについて,その利点,限界,今後の展望について検討する。
  論文  参考訳（メタデータ） (2024-08-01T08:57:47Z)
• Communication Traffic Characteristics Reveal an IoT Devices Identity [0.0]
  本稿では,ネットワークに接続されたIoTデバイスを識別する機械学習デバイスフィンガープリント(DFP)モデルを提案する。 実験の結果,DFP法は個々のIoTデバイスを98%以上分類できることがわかった。
  論文  参考訳（メタデータ） (2024-02-25T18:58:09Z)
• Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security [7.8344795632171325]
  次世代ネットワークは、人間、機械、デバイス、システムをシームレスに相互接続することを目的としている。 この課題に対処するため、Zero Trust(ZT)パラダイムは、ネットワークの完全性とデータの機密性を保護するための重要な方法として登場した。 この研究は、新しいディープラーニングベースの無線デバイス識別フレームワークであるEPS-CNNを導入している。
  論文  参考訳（メタデータ） (2024-02-08T00:23:42Z)
• A Survey and Comparative Analysis of Security Properties of CAN Authentication Protocols [92.81385447582882]
  コントロールエリアネットワーク(CAN)バスは車内通信を本質的に安全でないものにしている。 本稿では,CANバスにおける15の認証プロトコルをレビューし,比較する。 実装の容易性に寄与する本質的な運用基準に基づくプロトコルの評価を行う。
  論文  参考訳（メタデータ） (2024-01-19T14:52:04Z)
• Internet of Things: Digital Footprints Carry A Device Identity [0.0]
  デバイスフィンガープリント(DFP)モデルは、IoT(Internet of Things)と非IoTデバイスを区別することができる。 連続する5つのデバイス認証パケットから4つの統計的特徴を抽出し、個々のデバイス指紋を生成する。
  論文  参考訳（メタデータ） (2023-01-01T02:18:02Z)
• Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
  NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。 無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。 エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
  論文  参考訳（メタデータ） (2022-12-19T17:54:36Z)
• Machine Learning for the Detection and Identification of Internet of Things (IoT) Devices: A Survey [16.3730669259576]
  モノのインターネット(IoT)は、さまざまな新興サービスやアプリケーションを可能にする、日常生活の不可欠な部分になりつつあります。 IoTを確保する第一歩は、不正なIoTデバイスを検出し、正当なものを識別することです。 iotデバイスの識別と検出を,デバイス固有のパターン認識,ディープラーニングによるデバイス識別,教師なしデバイス識別,異常デバイス検出の4つのカテゴリに分類した。
  論文  参考訳（メタデータ） (2021-01-25T15:51:04Z)

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。