論文の概要: Towards Channel-Robust and Receiver-Independent Radio Frequency Fingerprint Identification
- arxiv url: http://arxiv.org/abs/2512.12070v1
- Date: Fri, 12 Dec 2025 22:32:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.094504
- Title: Towards Channel-Robust and Receiver-Independent Radio Frequency Fingerprint Identification
- Title（参考訳）: チャネルロバストと受信者非依存の無線周波数フィンガープリント同定に向けて
- Authors: Jie Ma, Junqing Zhang, Guanxiong Shen, Linning Peng, Alan Marshall,
- Abstract要約: 高周波指紋認証(RFFI)は、モノのインターネット(IoT)デバイスを認証するための新しい手法である。
深層学習に基づくRFFIは優れた性能を示しているが、まだ研究課題が残っている。
本稿では,3段階のRFFI手法を提案する。
- 参考スコア（独自算出の注目度）: 23.32212243151147
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio frequency fingerprint identification (RFFI) is an emerging method for authenticating Internet of Things (IoT) devices. RFFI exploits the intrinsic and unique hardware imperfections for classifying IoT devices. Deep learning-based RFFI has shown excellent performance. However, there are still remaining research challenges, such as limited public training datasets as well as impacts of channel and receive effects. In this paper, we proposed a three-stage RFFI approach involving contrastive learning-enhanced pretraining, Siamese network-based classification network training, and inference. Specifically, we employed spectrogram as signal representation to decouple the transmitter impairments from channel effects and receiver impairments. We proposed an unsupervised contrastive learning method to pretrain a channel-robust RFF extractor. In addition, the Siamese network-based scheme is enhanced by data augmentation and contrastive loss, which is capable of jointly mitigating the effects of channel and receiver impairments. We carried out a comprehensive experimental evaluation using three public LoRa datasets and one self-collected LoRa dataset. The results demonstrated that our approach can effectively and simultaneously mitigate the effects of channel and receiver impairments. We also showed that pretraining can significantly reduce the required amount of the fine-tuning data. Our proposed approach achieved an accuracy of over 90% in dynamic non-line-of-sight (NLOS) scenarios when there are only 20 packets per device.
- Abstract（参考訳）: 高周波指紋認証(RFFI)は、モノのインターネット(IoT)デバイスを認証するための新しい手法である。
RFFIは、固有のハードウェアの欠陥を利用してIoTデバイスを分類する。
深層学習に基づくRFFIは優れた性能を示した。
しかしながら、パブリックトレーニングデータセットの制限や、チャネルと受信の影響など、研究上の課題は依然として残っている。
本稿では,3段階のRFFI手法を提案する。
具体的には、信号表現としてスペクトログラムを用い、送信機障害をチャネル効果と受信機障害から切り離した。
チャネルローバストRFF抽出器を事前学習するための教師なしコントラスト学習法を提案した。
さらに、シームズネットワークベースのスキームは、データ拡張とコントラスト損失によって強化され、チャンネルと受信者の障害の影響を軽減できる。
3つの公開LoRaデータセットと1つの自己コンパイルLoRaデータセットを用いて総合的な実験評価を行った。
その結果,チャネル障害と受信障害の効果を効果的かつ同時に緩和できることが示唆された。
また,プレトレーニングにより,微調整データの必要量を大幅に削減できることを示した。
提案手法は,デバイスに20個のパケットしか存在しない場合に,動的非線形(NLOS)シナリオにおいて90%以上の精度を達成した。
関連論文リスト
- Adversarial Attacks Against Deep Learning-Based Radio Frequency Fingerprint Identification [27.217069859196133]
RFFI(Radio frequency fingerprint Identification)は、モノのインターネット(IoT)デバイスの軽量認証技術である。
近年の研究では、深い学習に基づくRFFIは敵の攻撃に弱いことが示されている。
論文 参考訳（メタデータ） (2025-12-12T19:33:39Z) - Transmitter Identification via Volterra Series Based Radio Frequency Fingerprint [3.7848713545513317]
RFF(Radio Frequency Fingerprinting)は、暗号を必要とせず、偽造に抵抗するため、有望な解決策を提供する。
既存のRFFアプローチは、しばしば統一理論と効果的な特徴抽出を欠いている。
本研究では,送信機をブラックボックスとしてモデル化し,送信信号への影響を分析する。
パブリックなLoRaデータセットの実験では、静的チャネルでは98%以上の精度で、マルチパスとドップラー効果下で90%以上の精度で、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-10-22T10:11:41Z) - 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) - Noise-Robust Radio Frequency Fingerprint Identification Using Denoise Diffusion Model [6.566363978473944]
RFFI(Radio Frequency Fingerprint Identification)は、無線デバイスを識別するための有望な認証技術である。
低信号対雑音比(SNR)シナリオでのRFFI性能は、微小なハードウェア特性がノイズで簡単に湿らせることができるため、著しく劣化する。
我々は拡散モデルを利用して低SNRシナリオ下でRFFを効果的に復元した。
論文 参考訳（メタデータ） (2025-03-07T15:30:55Z) - Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。
本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
論文 参考訳（メタデータ） (2024-04-11T15:39:10Z) - Joint Channel Estimation and Feedback with Masked Token Transformers in
Massive MIMO Systems [74.52117784544758]
本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。
エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。
提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
論文 参考訳（メタデータ） (2023-06-08T06:15:17Z) - 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) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-05-28T07:47:53Z) - A Generalizable Model-and-Data Driven Approach for Open-Set RFF
Authentication [74.63333951647581]
高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。
RFF抽出と識別のために機械学習に基づく手法が提案されている。
生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-10T03:59:37Z) - 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。