New Frontier of Communication Security on Radio Frequency Fingerprints Concealment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Due to device-specific defects introduced during the hardware manufacturing process, the radio frequency fingerprint (RFF) can be extracted to identify wireless devices and further avoid spoofing attacks. Many effective RFF identification methods have been proposed based on either machine learning or deep learning. However, from the perspective of communication security, if the RFF of the transmitter can be easily extracted and identified, attackers can disguise themselves as legitimate transmitters by impersonating RFF and other means, thereby undermining the security of wireless communications. Therefore, concealing the RFF of legitimate transmitters from detection and camouflage attacks has become a highly challenging issue in the field of wireless communications. This article presents an active RFF concealment (RFFC) method, which removes the nonlinear features of the transmitter system, thereby preventing attackers from obtaining the transmitter's RFF and ensuring the identity security of the transmitter. To evaluate the performance of RFF concealing technology, we simulate seven types of RFFC systems, and collect datasets without and with RFFC technology. The simulation results show that the performance of traditional transmitter identification methods decreases sharply after RFFC. Especially in low signal-to-noise ratio environments and complex multipath channel conditions, the proposed RFFC technology makes the RFF features chaotic and difficult to detect, leading to dramatically reduced effectiveness of existing transmitter identification methods.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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