論文の概要: Transmitter Identification and Protocol Categorization in Shared Spectrum via Multi-Task RF Classification at the Network Edge

• arxiv url: http://arxiv.org/abs/2511.01198v1
• Date: Mon, 03 Nov 2025 03:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.109077
• Title: Transmitter Identification and Protocol Categorization in Shared Spectrum via Multi-Task RF Classification at the Network Edge
• Title（参考訳）: ネットワークエッジにおけるマルチタスクRF分類による共有スペクトルの送信者同定とプロトコル分類
• Authors: Tariq Abdul-Quddoos, Tasnia Sharmin, Xiangfang Li, Lijun Qian,
• Abstract要約: 本研究では,マルチタスクRF信号分類による送信者識別とプロトコル分類のためのフレームワークを提案する。 畳み込みニューラルネットワーク(CNN)は、信号特性の重複や環境変動といった重要な課題に対処するように設計されている。 提案手法では,有意な信号特徴を抽出するマルチチャネル入力方式を採用し,精度を著しく向上する。
• 参考スコア（独自算出の注目度）: 0.8026369435629893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As spectrum sharing becomes increasingly vital to meet rising wireless demands in the future, spectrum monitoring and transmitter identification are indispensable for enforcing spectrum usage policy, efficient spectrum utilization, and network security. This study proposed a robust framework for transmitter identification and protocol categorization via multi-task RF signal classification in shared spectrum environments, where the spectrum monitor will classify transmission protocols (e.g., 4G LTE, 5G-NR, IEEE 802.11a) operating within the same frequency bands, and identify different transmitting base stations, as well as their combinations. A Convolutional Neural Network (CNN) is designed to tackle critical challenges such as overlapping signal characteristics and environmental variability. The proposed method employs a multi-channel input strategy to extract meaningful signal features, achieving remarkable accuracy: 90% for protocol classification, 100% for transmitting base station classification, and 92% for joint classification tasks, utilizing RF data from the POWDER platform. These results highlight the significant potential of the proposed method to enhance spectrum monitoring, management, and security in modern wireless networks.
• Abstract（参考訳）: 将来、無線の需要を満たすためにスペクトル共有がますます不可欠になるにつれて、スペクトルモニタリングと送信機識別は、スペクトル利用ポリシー、効率的なスペクトル利用、ネットワークセキュリティの強化に不可欠である。 本研究では,同じ周波数帯域内で動作する送信プロトコル(例えば,4G LTE,5G-NR,IEEE 802.11a)をスペクトルモニタで分類し,異なる送信基地局を識別する,共有スペクトル環境におけるマルチタスクRF信号分類による送信者識別とプロトコル分類のための堅牢なフレームワークを提案する。 畳み込みニューラルネットワーク(CNN)は、信号特性の重複や環境変動といった重要な課題に対処するように設計されている。 提案手法では,プロトコル分類の90%,基地局分類の100%,共同分類タスクの92%,POWDERプラットフォームからのRFデータを利用した多チャンネル入力方式を用いて,有意義な信号特徴の抽出を行う。 これらの結果は、現代の無線ネットワークにおけるスペクトルモニタリング、管理、セキュリティを強化するための提案手法の意義を浮き彫りにしている。

関連論文リスト

• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• 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)
• SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
  既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。 本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。 実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-02T04:06:39Z)
• 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)
• MAC protocol classification in the ISM band using machine learning methods [0.0]
  ISM無線帯域で最も広く使われているMACサブレイヤプロトコルであるWi-FiおよびBluetoothプロトコルを分類する。 機械学習アルゴリズムであるSupport Vector MachineとK-Nearest Neighborsアルゴリズムを使用して、プロトコルをWi-Fi、Wi-Fi Beacon、Bluetoothの3つのクラスに分類する。
  論文  参考訳（メタデータ） (2024-08-22T01:26:28Z)
• Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression [1.218340575383456]
  将来的な通信網は、異種無線デバイスの成長に対応するために、少ないスペクトルに対処する必要がある。 我々は、深層ニューラルネットワークに基づくマルチタスク学習フレームワークの可能性を利用して、変調と信号分類タスクを同時に学習する。 公共利用のための包括的ヘテロジニアス無線信号データセットを提供する。
  論文  参考訳（メタデータ） (2022-02-26T14:51:02Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Spectrum Sensing and Signal Identification with Deep Learning based on Spectral Correlation Function [2.6626788331762867]
  スペクトル相関関数を用いた畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案手法は,事前情報のない無線信号を分類し,CASE1とCASE2という2つの異なる設定で実装する。 この実装はセルシグナルを超越したものの、提案手法はサイクロ定常特性を示す任意の信号の検出と分類にまで拡張することができる。
  論文  参考訳（メタデータ） (2020-03-17T06:56:26Z)

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。