Federated Radio Frequency Fingerprinting with Model Transfer and Adaptation

要約

無線周波数 (RF) フィンガープリンティング技術は、製造中に導入されたハードウェアの欠陥を利用することで、将来のネットワークで非常に安全なデバイス認証を可能にします。
この手法は過去数年間でかなりの注目を集めてきましたが、RF フィンガープリンティングは、トレーニング フェーズとテスト フェーズの間でチャネルの変動によって引き起こされるデータ分布のドリフトという大きな課題に直面しています。
この基本的な課題に対処し、エッジでのモデルのトレーニングとテストをサポートするために、モデルの転送と適応 (MTA) と呼ばれる新しい戦略を備えたフェデレーション RF フィンガープリンティング アルゴリズムを提案します。
提案されたアルゴリズムは、学習精度を高め、モデルの複雑さを軽減するために、畳み込み層間の密な接続を RF フィンガープリンティングに導入します。
さらに、提案されたアルゴリズムを連合学習のコンテキストで実装し、アルゴリズムの通信を効率化し、プライバシーを保護します。
データの不一致の課題をさらに克服するために、学習したモデルを 1 つのチャネル条件から転送し、限られた量の情報のみで他のチャネル条件に適応させ、環境ドリフトの下で非常に正確な予測を導きます。
実世界のデータセットに関する実験結果は、提案されたアルゴリズムがモデルにとらわれず、信号に無関係であることを示しています。
最先端の RF フィンガープリンティング アルゴリズムと比較して、当社のアルゴリズムは予測パフォーマンスを大幅に向上させ、パフォーマンスを最大 15\% 向上させることができます。

要約(オリジナル)

The Radio frequency (RF) fingerprinting technique makes highly secure device authentication possible for future networks by exploiting hardware imperfections introduced during manufacturing. Although this technique has received considerable attention over the past few years, RF fingerprinting still faces great challenges of channel-variation-induced data distribution drifts between the training phase and the test phase. To address this fundamental challenge and support model training and testing at the edge, we propose a federated RF fingerprinting algorithm with a novel strategy called model transfer and adaptation (MTA). The proposed algorithm introduces dense connectivity among convolutional layers into RF fingerprinting to enhance learning accuracy and reduce model complexity. Besides, we implement the proposed algorithm in the context of federated learning, making our algorithm communication efficient and privacy-preserved. To further conquer the data mismatch challenge, we transfer the learned model from one channel condition and adapt it to other channel conditions with only a limited amount of information, leading to highly accurate predictions under environmental drifts. Experimental results on real-world datasets demonstrate that the proposed algorithm is model-agnostic and also signal-irrelevant. Compared with state-of-the-art RF fingerprinting algorithms, our algorithm can improve prediction performance considerably with a performance gain of up to 15\%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google