論文の概要: Practical Physical Layer Authentication for Mobile Scenarios Using a Synthetic Dataset Enhanced Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2508.20861v1
• Date: Thu, 28 Aug 2025 14:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.460345
• Title: Practical Physical Layer Authentication for Mobile Scenarios Using a Synthetic Dataset Enhanced Deep Learning Approach
• Title（参考訳）: 合成データセット強化深層学習アプローチを用いたモバイルシナリオの物理層認証
• Authors: Yijia Guo, Junqing Zhang, Y. -W. Peter Hong,
• Abstract要約: IoT(Internet of Things)は、無線技術の開発が急速に進んでいるため、ユビキタスである。 物理認証は、ユニークなチャネル特性を活用することによって、有望なアプローチとして現れる。 モバイルシナリオを対象とした深層学習に基づく物理チャネル状態情報認証を提案する。
• 参考スコア（独自算出の注目度）: 22.17865659081285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Internet of Things (IoT) is ubiquitous thanks to the rapid development of wireless technologies. However, the broadcast nature of wireless transmissions results in great vulnerability to device authentication. Physical layer authentication emerges as a promising approach by exploiting the unique channel characteristics. However, a practical scheme applicable to dynamic channel variations is still missing. In this paper, we proposed a deep learning-based physical layer channel state information (CSI) authentication for mobile scenarios and carried out comprehensive simulation and experimental evaluation using IEEE 802.11n. Specifically, a synthetic training dataset was generated based on the WLAN TGn channel model and the autocorrelation and the distance correlation of the channel, which can significantly reduce the overhead of manually collecting experimental datasets. A convolutional neural network (CNN)-based Siamese network was exploited to learn the temporal and spatial correlation between the CSI pair and output a score to measure their similarity. We adopted a synergistic methodology involving both simulation and experimental evaluation. The experimental testbed consisted of WiFi IoT development kits and a few typical scenarios were specifically considered. Both simulation and experimental evaluation demonstrated excellent generalization performance of our proposed deep learning-based approach and excellent authentication performance. Demonstrated by our practical measurement results, our proposed scheme improved the area under the curve (AUC) by 0.03 compared to the fully connected network-based (FCN-based) Siamese model and by 0.06 compared to the correlation-based benchmark algorithm.
• Abstract（参考訳）: IoT(Internet of Things)は、無線技術の開発が急速に進んでいるため、ユビキタスである。 しかし、無線送信のブロードキャスト特性は、デバイス認証に大きな脆弱性をもたらす。 物理層認証は、ユニークなチャネル特性を活用することによって、有望なアプローチとして現れる。 しかし、動的チャネル変動に適用可能な実用的なスキームはいまだに欠落している。 本稿では,モバイルシナリオを対象とした深層学習に基づく物理層状態情報(CSI)認証を提案し,IEEE 802.11nを用いた総合シミュレーションと実験評価を行った。 具体的には、WLAN TGnチャネルモデルとチャネルの自己相関と距離相関に基づいて合成トレーニングデータセットを生成し、手動による実験データセット収集のオーバーヘッドを大幅に低減する。 畳み込みニューラルネットワーク(CNN)に基づくシームズネットワークを用いて,CSIペア間の時間的および空間的相関を学習し,その類似度を測定するためにスコアを出力した。 我々はシミュレーションと実験評価の両方を含む相乗的手法を採用した。 実験的なテストベッドはWiFi IoT開発キットで構成されており、いくつかの典型的なシナリオが特に検討された。 シミュレーションと実験により,提案した深層学習手法の一般化性能と認証性能に優れていた。 実測結果から,提案手法は完全連結型ネットワークベース(FCNベース)シームズモデルと比較して曲線(AUC)の面積を0.03改善し,相関型ベンチマークアルゴリズムよりも0.06改善した。

関連論文リスト

• RSSI Estimation for Constrained Indoor Wireless Networks using ANN [0.0]
  本研究では、ニューラルネットワーク(ANN)を用いた2つの異なるLP-IoT無線チャネル推定モデルを確立する。 いずれのモデルも、LP-IoT無線チャネルにおける推定誤差を低くすることで、LP-IoT通信を強化するために構築されている。 その結果,提案手法はチャネル推定において顕著な精度を達成し,MSEが8.29%,Sequenceモデルが9.46%,MSEが9.76%,MSEが8.29%向上した。
  論文  参考訳（メタデータ） (2024-04-10T02:48:13Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Linear Combination of Exponential Moving Averages for Wireless Channel Prediction [2.34863357088666]
  本研究では,指数移動平均(EMA)に基づく予測モデルについて検討した。 EMA線形結合(ELC)と呼ばれる新しいモデルを導入し、説明し、実験的に評価した。
  論文  参考訳（メタデータ） (2023-12-13T07:44:05Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Learnable Digital Twin for Efficient Wireless Network Evaluation [40.829275623191656]
  ネットワークデジタルツインツ(NDT)は、ネットワークを物理的に実装する前にキーパフォーマンスインジケータ(KPI)の推定を容易にする。 本稿では,ネットワークシミュレータのための学習型NDTを提案する。
  論文  参考訳（メタデータ） (2023-06-11T03:43:39Z)
• Human Activity Recognition from Wi-Fi CSI Data Using Principal Component-Based Wavelet CNN [3.9533044769534444]
  HAR(Human Activity Recognition)は、監視、セキュリティ、医療分野に応用された新興技術である。 実用リアルタイムアプリケーションにロバスト性と効率性を提供する新しいアプローチとして,主成分に基づくウェーブレット畳み込みニューラルネットワーク(PCWCNN)を提案する。 提案したPCWCNNモデルが,既存のアプローチよりも優れた実データセットで非常によく動作することを実証的に示す。
  論文  参考訳（メタデータ） (2022-12-26T13:45:19Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
  我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。 このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
  論文  参考訳（メタデータ） (2020-09-25T17:48:43Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)

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。