論文の概要: Cross-Receiver Generalization for RF Fingerprint Identification via Feature Disentanglement and Adversarial Training

• arxiv url: http://arxiv.org/abs/2510.09405v1
• Date: Fri, 10 Oct 2025 14:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:49.200106
• Title: Cross-Receiver Generalization for RF Fingerprint Identification via Feature Disentanglement and Adversarial Training
• Title（参考訳）: RFフィンガープリント同定のためのクロスレシーバ一般化
• Authors: Yuhao Pan, Xiucheng Wang, Nan Cheng, Wenchao Xu,
• Abstract要約: 高周波指紋認証(RFFI)は無線ネットワークセキュリティにとって重要な技術である。 ディープニューラルネットワークは、識別的特徴を抽出する際、顕著な能力を示してきたが、現実の展開は、受信者によって引き起こされる変動によって妨げられている。 本稿では,クロスレシーバ変動に頑健なRFFIフレームワークを提案する。 当社のアプローチは、最先端のベースラインを一貫して上回り、多様な受信設定で平均精度を最大10%向上させる。
• 参考スコア（独自算出の注目度）: 29.396203071880905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio frequency fingerprint identification (RFFI) is a critical technique for wireless network security, leveraging intrinsic hardware-level imperfections introduced during device manufacturing to enable precise transmitter identification. While deep neural networks have shown remarkable capability in extracting discriminative features, their real-world deployment is hindered by receiver-induced variability. In practice, RF fingerprint signals comprise transmitter-specific features as well as channel distortions and receiver-induced biases. Although channel equalization can mitigate channel noise, receiver-induced feature shifts remain largely unaddressed, causing the RFFI models to overfit to receiver-specific patterns. This limitation is particularly problematic when training and evaluation share the same receiver, as replacing the receiver in deployment can cause substantial performance degradation. To tackle this challenge, we propose an RFFI framework robust to cross-receiver variability, integrating adversarial training and style transfer to explicitly disentangle transmitter and receiver features. By enforcing domain-invariant representation learning, our method isolates genuine hardware signatures from receiver artifacts, ensuring robustness against receiver changes. Extensive experiments on multi-receiver datasets demonstrate that our approach consistently outperforms state-of-the-art baselines, achieving up to a 10% improvement in average accuracy across diverse receiver settings.
• Abstract（参考訳）: RFFI(Radio frequency fingerprint Identification)は、無線ネットワークセキュリティにおいて重要な技術であり、デバイス製造時に導入された固有のハードウェアレベルの欠陥を利用して、正確な送信者識別を可能にする。 深層ニューラルネットワークは、識別的特徴を抽出する際、顕著な能力を示してきたが、現実の展開は、受信者によって引き起こされる変動によって妨げられている。 実際には、RF指紋信号は送信機固有の特徴とチャネル歪みと受信機が引き起こすバイアスから構成される。 チャネル等化はチャネルノイズを軽減することができるが、受信者による特徴シフトは、ほとんど適応しないままであり、RFFIモデルは受信者固有のパターンに過度に適合する。 この制限は、トレーニングと評価が同じ受信機を共有する場合に特に問題となる。 この課題に対処するため、RFFIフレームワークをクロスレシーバの可変性に頑健にし、敵のトレーニングとスタイル転送を統合して、送信機と受信機を明示的に非交互に特徴付けることを提案する。 ドメイン不変表現学習を強制することにより、本手法は、真のハードウェアシグネチャをレシーバから分離し、レシーバ変更に対する堅牢性を確保する。 マルチレシーバデータセットに関する大規模な実験により、我々のアプローチは最先端のベースラインを一貫して上回り、多様なレシーバ設定で平均精度を最大10%向上することを示した。

関連論文リスト

• Collusion-Driven Impersonation Attack on Channel-Resistant RF Fingerprinting [15.295614131186142]
  本稿では, 偽りのRFレベルの模倣を実現する, 共謀駆動型偽装攻撃を提案する。 提案手法は,異なるチャネル条件下で95%以上の成功率を維持する。
  論文  参考訳（メタデータ） (2025-09-26T10:13:34Z)
• Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation [48.265859815346985]
  レーダー信号認識は電子戦(EW)において重要な役割を果たす 近年のディープラーニングの進歩は、レーダー信号認識の改善に大きな可能性を示している。 これらの手法は、注釈付き無線周波数(RF)データが少ない、あるいは入手できないEWシナリオでは不十分である。
  論文  参考訳（メタデータ） (2025-01-07T01:35:56Z)
• HidePrint: Hiding the Radio Fingerprint via Random Noise [3.9901365062418312]
  HidePrintは、送信された信号に制御されたノイズを注入することで、送信者の指紋を不正な盗聴者に対して隠す。 我々は,送信者が無線指紋を意図した受信者のサブセットのみに開示できる新しい技術である,選択的無線指紋開示を導入する。
  論文  参考訳（メタデータ） (2024-11-10T10:45:35Z)
• Mitigating Receiver Impact on Radio Frequency Fingerprint Identification via Domain Adaptation [15.347306554562048]
  適応モデルに対する理論的一般化誤差を開発する。 そこで本研究では,ドメインアライメントと適応的な擬似ラベリングを含むクロスレシーバRFFI問題の解法を提案する。 実験結果から,提案手法は受信者への影響を効果的に軽減し,受信者間RFFI性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-04-12T16:08:32Z)
• SignCRF: Scalable Channel-agnostic Data-driven Radio Authentication System [17.391164797113134]
  RFFDL(Radio Frequency Fingerprinting through Deep Learning)は、データ駆動型IoT認証技術である。 提案されているSignCRFは、スケーラブルで、チャネルに依存しない、データ駆動の無線認証プラットフォームである。 SignCRFは,WiFiおよびLoRaデバイスの認証精度を最大5倍,8倍向上させることで,RFFDLの性能を著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-03-21T21:11:02Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• 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)
• 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)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)

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。