論文の概要: Effectively Identifying Wi-Fi Devices through State Transitions

• arxiv url: http://arxiv.org/abs/2507.02478v1
• Date: Thu, 03 Jul 2025 09:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.077732
• Title: Effectively Identifying Wi-Fi Devices through State Transitions
• Title（参考訳）: 状態遷移によるWi-Fiデバイスを効果的に同定する
• Authors: Melissa Safari, Abhishek K. Mishra, Mathieu Cunche,
• Abstract要約: Wi-Fi管理フレームはMACアドレスのランダム化の下でも持続する構造化通信パターンを示す。 本稿では,受動的に観察された管理フレームから抽出された行動力学に基づいて,Wi-Fiデバイスを指紋で識別する新しいフレームワークを提案する。 本手法は,Wi-Fi管理フレームのみを用いて,非ランダム化装置の識別精度を86%以上向上させる。
• 参考スコア（独自算出の注目度）: 0.8192907805418581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wi-Fi management frames reveal structured communication patterns that persist even under randomization of MAC addresses. Prior approaches to associating randomized MAC addresses with devices primarily focus on probe requests, overlooking the broader set of management frames and their transition dynamics. This narrow focus limits their robustness in dense, real-world environments with high device mobility, where probe activity alone fails to yield stable and distinctive signatures. In this paper, we present a novel framework for fingerprinting Wi-Fi devices based on behavioral dynamics extracted from passively observed management frames. We model each device's behavior as a finite state machine and introduce matrix-based representations that encode both structural (state transition frequencies) and temporal (inter-state delays) characteristics. These matrices are embedded into compact feature vectors, enabling efficient similarity comparison. Through extensive evaluation in diverse real-world settings, our method achieves over 86% identification accuracy for non-randomized devices using only Wi-Fi management frames, with further improvements observed through temporal burst aggregation. Our findings are sufficient to uniquely and consistently characterize devices at scale, outperforming the state-of-the-art.
• Abstract（参考訳）: Wi-Fi管理フレームはMACアドレスのランダム化の下でも持続する構造化通信パターンを示す。 ランダム化されたMACアドレスとデバイスを関連付ける以前のアプローチは、主にプローブ要求に焦点を合わせ、より広範な管理フレームとそれらの遷移ダイナミクスを見下ろしていた。 この狭い焦点は、デバイスモビリティの高い密集した現実世界環境における彼らの堅牢性を制限する。 本稿では,受動的に観察された管理フレームから抽出された行動力学に基づいて,Wi-Fiデバイスを指紋で識別する新しいフレームワークを提案する。 我々は,各デバイスの動作を有限状態マシンとしてモデル化し,構造的(状態遷移周波数)と時間的(状態間遅延)特性の両方を符号化した行列ベースの表現を導入する。 これらの行列はコンパクトな特徴ベクトルに埋め込まれ、効率的な類似性比較を可能にする。 実世界の多様な環境での広範囲な評価により,Wi-Fi管理フレームのみを用いた非ランダム化装置の識別精度が86%以上向上し,時間的バーストアグリゲーションによりさらなる改善が見られた。 われわれの発見は、デバイスを一意に一貫した特徴付けに十分であり、最先端技術よりも優れている。

関連論文リスト

• Digital Shielding for Cross-Domain Wi-Fi Signal Adaptation using Relativistic Average Generative Adversarial Network [13.808977762165823]
  本稿では,物理信号遮蔽にインスパイアされた,Wi-Fi信号のクロスドメイン適応のための新しいディープラーニングモデルを提案する。 このシステムは96%の精度を達成し、強力な物質識別能力を示した。
  論文  参考訳（メタデータ） (2025-04-29T09:18:02Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [56.424032454461695]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• MobRFFI: Non-cooperative Device Re-identification for Mobility Intelligence [0.984963525011891]
  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。
  論文  参考訳（メタデータ） (2025-03-04T00:39:50Z)
• AdaFlow: Opportunistic Inference on Asynchronous Mobile Data with Generalized Affinity Control [16.944584145880793]
  AdaFlowは、階層解析に基づく正規化行列を用いて、モバイルコンテキストにおける構造化されたモダリティ親和性の定式化を開拓した。 AdaFlowは推論遅延を最大79.9%削減し、精度を61.9%向上させ、ステータスクオアプローチを上回っている。
  論文  参考訳（メタデータ） (2024-10-31T15:28:22Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• 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)
• 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)
• 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)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)

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。