論文の概要: Bluetooth Fingerprint Identification Under Domain Shift Through Transient Phase Derivative

• arxiv url: http://arxiv.org/abs/2510.09940v1
• Date: Sat, 11 Oct 2025 00:39:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.704179
• Title: Bluetooth Fingerprint Identification Under Domain Shift Through Transient Phase Derivative
• Title（参考訳）: 過渡位相微分による領域シフト下におけるBluetooth指紋識別
• Authors: Haytham Albousayri, Bechir Hamdaoui, Weng-Keen Wong, Nora Basha,
• Abstract要約: RFFP(Deep Learning-based Radio frequency fingerprinting)は、物理層セキュリティ技術として実現されている。 Bluetooth Low Energy (BLE) デバイスでは、これらの課題に対処することが特に重要である。 本研究では,BLEデバイスにおける周波数ホッピング効果を初めて検討し,新しい,低コストなドメイン適応型特徴抽出法を提案する。
• 参考スコア（独自算出の注目度）: 5.3898004059026325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based radio frequency fingerprinting (RFFP) has become an enabling physical-layer security technology, allowing device identification and authentication through received RF signals. This technology, however, faces significant challenges when it comes to adapting to domain variations, such as time, location, environment, receiver and channel. For Bluetooth Low Energy (BLE) devices, addressing these challenges is particularly crucial due to the BLE protocol's frequency-hopping nature. In this work, and for the first time, we investigated the frequency hopping effect on RFFP of BLE devices, and proposed a novel, low-cost, domain-adaptive feature extraction method. Our approach improves the classification accuracy by up to 58\% across environments and up to 80\% across receivers compared to existing benchmarks.
• Abstract（参考訳）: RFFP(Deep Learning-based Radio frequency fingerprinting)は、受信したRF信号によるデバイス識別と認証を可能にする物理層セキュリティ技術である。 しかし、この技術は時間、場所、環境、受信機、チャンネルといったドメインのバリエーションに適応する上で大きな課題に直面している。 Bluetooth Low Energy (BLE) デバイスでは、これらの課題に対処することが特に重要である。 本研究では,BLEデバイスにおける周波数ホッピング効果を初めて検討し,新しい,低コストなドメイン適応型特徴抽出法を提案する。 提案手法では, 既存のベンチマークと比較して, 環境間で最大58倍, 受信機間で最大80倍の分類精度を向上する。

関連論文リスト

• Cross-Receiver Generalization for RF Fingerprint Identification via Feature Disentanglement and Adversarial Training [29.396203071880905]
  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。
  論文  参考訳（メタデータ） (2025-10-10T14:01:05Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Enhancing Wireless Device Identification through RF Fingerprinting: Leveraging Transient Energy Spectrum Analysis [3.767875797012388]
  我々はCNN-Bi-GRUと呼ばれるハイブリッドディープラーニングモデルを導入し、その過渡特性に基づいてRFデバイスの識別を学習する。 提案手法は、99.33%の精度、99.53%のリコール、99.43%のF1スコア、99.17%の分類精度で10倍のクロスバリデーション性能を提供する。
  論文  参考訳（メタデータ） (2025-06-20T19:18:30Z)
• Frequency Domain Enhanced U-Net for Low-Frequency Information-Rich Image Segmentation in Surgical and Deep-Sea Exploration Robots [34.28684917337352]
  CNNと人間の視覚系における周波数帯域感度の差について検討する。 本稿では、生体視覚機構にインスパイアされたウェーブレット適応スペクトル融合(WASF)法を提案する。 我々は SAM2 のバックボーンネットワークを利用する FE-UNet モデルを開発し, セグメンテーション精度を確保するために細調整した Hiera-Large モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2025-02-06T07:24:34Z)
• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• 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)
• Federated Radio Frequency Fingerprinting with Model Transfer and Adaptation [26.646820912136416]
  本稿では,モデル転送と適応という新しい手法を用いたRFフィンガープリントアルゴリズムを提案する。 提案アルゴリズムは、RFフィンガープリントに畳み込み層間の密接な接続を導入し、学習精度を高め、モデルの複雑さを低減する。 現状のRFフィンガープリンティングアルゴリズムと比較して,提案アルゴリズムは最大15%の性能向上で予測性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-22T14:55:30Z)
• Spectro-Temporal RF Identification using Deep Learning [3.8137985834223507]
  WRISTは、分光時間検出、フレームワーク、システムを備えた広帯域リアルタイムRF識別システムである。 得られたディープラーニングモデルは、時間と周波数のRF放射を検出し、分類し、正確に検出することができる。 WRIST検出器は、野生の非常に密集した環境でも平均的な平均精度が90に達する。
  論文  参考訳（メタデータ） (2021-07-11T19:02:07Z)

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。