HiNoVa: A Novel Open-Set Detection Method for Automating RF Device Authentication

要約

ワイヤレス ネットワーク セキュリティの新機能は、無線周波数 (RF) データのパターンを活用してデバイスを識別および認証する深層学習によって可能になりました。
オープンセット検出は、展開中に新しいデバイスからキャプチャされ、トレーニング セットの一部ではなかったサンプルを識別するディープ ラーニングの領域です。
オープンセット検出におけるこれまでの研究は、主に画像などの独立した同一分散データに適用されてきました。
対照的に、RF 信号データは、サンプル間の非線形時間依存性を持つ時系列を形成するため、独特の一連の課題を提示します。
畳み込みニューラル ネットワーク (CNN) 長短期記憶 (LSTM) モデル内の隠れ状態値のパターンに基づく、新しい開集合検出アプローチを紹介します。
私たちのアプローチは、LoRa、Wireless-WiFi、および Wired-WiFi データセットの精度再現曲線下の面積を大幅に改善するため、無線デバイスの不正なネットワーク アクセスの監視と制御にうまく使用できます。

要約(オリジナル)

New capabilities in wireless network security have been enabled by deep learning, which leverages patterns in radio frequency (RF) data to identify and authenticate devices. Open-set detection is an area of deep learning that identifies samples captured from new devices during deployment that were not part of the training set. Past work in open-set detection has mostly been applied to independent and identically distributed data such as images. In contrast, RF signal data present a unique set of challenges as the data forms a time series with non-linear time dependencies among the samples. We introduce a novel open-set detection approach based on the patterns of the hidden state values within a Convolutional Neural Network (CNN) Long Short-Term Memory (LSTM) model. Our approach greatly improves the Area Under the Precision-Recall Curve on LoRa, Wireless-WiFi, and Wired-WiFi datasets, and hence, can be used successfully to monitor and control unauthorized network access of wireless devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google