MétaCan
Menu
Retour à la cohorte
Enregistrement W4315783193 · doi:10.1109/gcwkshps56602.2022.10008779

Analytical Method of Physical Layer Authentication for Performance Evaluation

2022· article· en· W4315783193 sur OpenAlexaff
Xinjin Lu, Jing Lei, Yuxin Shi, He Fang, Wei Li

Notice bibliographique

Revue2022 IEEE Globecom Workshops (GC Wkshps) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueWireless Communication Security Techniques
Établissements canadiensWestern University
Organismes subventionnairesNatural Science Foundation of Hunan ProvinceNational Natural Science Foundation of China
Mots-clésEavesdroppingPhysical layerComputer scienceAuthentication (law)Binary numberProbability density functionBenchmark (surveying)Noise (video)AlgorithmReceiver operating characteristicChannel (broadcasting)Stability (learning theory)Variance (accounting)MathematicsStatisticsArtificial intelligenceMachine learningComputer networkTelecommunications

Résumé

récupéré en direct d'OpenAlex

To defend against the eavesdropping and spoofing attacks, the physical layer authentication technique utilizes the unique attributes of channel or device for identifying attackers. In this paper, we investigate an analytical method for the physical layer authentication technique utilizing channel phase. Specifically, we simplify the expressions of the complex binary hypothesis variables which are available for calculating probability density functions (PDFs). Based on the PDFs, we further derive the closed-form expressions of expectation and variance under the binary hypothesis test of $\mathcal{H}_{0}$ and $\mathcal{H}_{1}$ as well as the receiver operator characteristic (ROC) curve for performance evaluation. Simulation results show that the theoretical curves are tight even under very low signal-to-noise ratio (SNR) regions, which outperforms the benchmark.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,426
Score d'incertitude au seuil0,937

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,038
Tête enseignante GPT0,336
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE Globecom Workshops (GC Wkshps)Même sujetWireless Communication Security TechniquesTravaux en français237 207