論文の概要: Model-Driven Learning-Based Physical Layer Authentication for Mobile Wi-Fi Devices

• arxiv url: http://arxiv.org/abs/2603.19972v1
• Date: Fri, 20 Mar 2026 14:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.170476
• Title: Model-Driven Learning-Based Physical Layer Authentication for Mobile Wi-Fi Devices
• Title（参考訳）: モデル駆動学習に基づくモバイルWi-Fiデバイスのための物理層認証
• Authors: Yijia Guo, Junqing Zhang, Yao-Win Peter Hong, Stefano Tomasin,
• Abstract要約: 物理層認証(PLA)は、無線チャネルのユニークな特性を活用することで、有望なソリューションを提供する。 ディープラーニングベースのPLAアプローチは実用的だが、最適ではない傾向がある。 NP検出器によって駆動される軽量ニューラルネットワークLiteNP-Netを提案する。
• 参考スコア（独自算出の注目度）: 24.76316630831292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of wireless technologies has made the Internet of Things (IoT) ubiquitous, but the broadcast nature of wireless communications exposes IoT to authentication risks. Physical layer authentication (PLA) offers a promising solution by leveraging unique characteristics of wireless channels. As a common approach in PLA, hypothesis testing yields a theoretically optimal Neyman-Pearson (NP) detector, but its reliance on channel statistics limits its practicality in real-world scenarios. In contrast, deep learning-based PLA approaches are practical but tend to be not optimal. To address these challenges, we proposed a learning-based PLA scheme driven by hypothesis testing and conducted extensive simulations and experimental evaluations using Wi-Fi. Specifically, we incorporated conditional statistical models into the hypothesis testing framework to derive a theoretically optimal NP detector. Building on this, we developed LiteNP-Net, a lightweight neural network driven by the NP detector. Simulation results demonstrated that LiteNP-Net could approach the performance of the NP detector even without prior knowledge of the channel statistics. To further assess its effectiveness in practical environments, we deployed an experimental testbed using Wi-Fi IoT development kits in various real-world scenarios. Experimental results demonstrated that the LiteNP-Net outperformed the conventional correlation-based method as well as state-of-the-art Siamese-based methods.
• Abstract（参考訳）: 無線技術の台頭によりIoT(Internet of Things)は普及したが、無線通信のブロードキャストの性質は、IoTを認証リスクに晒している。 物理層認証(PLA)は、無線チャネルのユニークな特性を活用することで、有望なソリューションを提供する。 PLAの一般的なアプローチとして、仮説テストは理論上最適であるナイマン・ピアソン検出器(NP)を生成するが、チャネル統計に依存するため現実のシナリオでは実用性が制限される。 対照的に、ディープラーニングベースのPLAアプローチは実用的だが、最適ではない傾向にある。 これらの課題に対処するため,仮説テストによる学習型PLA方式を提案し,Wi-Fiを用いた広範囲なシミュレーションと実験的評価を行った。 具体的には,理論上最適なNP検出器を導出するために,条件付き統計モデルを仮説テストフレームワークに組み込んだ。 そこで我々は,NP検出器によって駆動される軽量ニューラルネットワークLiteNP-Netを開発した。 シミュレーションの結果、LiteNP-Netはチャネル統計の事前知識がなくてもNP検出器の性能にアプローチできることが示された。 実環境におけるその有効性をさらに評価するために,Wi-Fi IoT開発キットを用いた実験ベッドを実世界の様々なシナリオで展開した。 実験の結果,LiteNP-Netは従来の相関法や最先端のシームズ法よりも優れていた。

関連論文リスト

• Practical Physical Layer Authentication for Mobile Scenarios Using a Synthetic Dataset Enhanced Deep Learning Approach [22.17865659081285]
  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。
  論文  参考訳（メタデータ） (2025-08-28T14:56:10Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
  テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。 完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
  論文  参考訳（メタデータ） (2024-04-07T22:31:34Z)
• Out-of-Distribution Detection using Neural Activation Prior [15.673290330356194]
  アウト・オブ・ディストリビューション検出(OOD)は、機械学習モデルを現実世界にデプロイする上で重要な技術である。 OOD検出のためのシンプルで効果的なニューラルアクティベーションプリミティブ(NAP)を提案する。 提案手法は,CIFARベンチマークとImageNetデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-28T08:45:07Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• 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)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。