.png){kind=icon}
返回
Machine Learning and Deep Learning-Based Multi-Attribute Physical-Layer Authentication for Spoofing Detection in LoRaWAN
.png){kind=icon}
OA
AI
DOI：10.3390/fi17020068.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无线传感器网络（WSNs）在环境监测、智能农业和工业自动化等关键应用中的使用，引发了显著的安全担忧，尤其是在无线通信的广播特性方面。由于缺乏物理层认证机制，这些网络易受到如欺骗攻击等威胁，从而危及数据真实性。本文提出了一种多属性物理层认证（PLA）方案，通过利用接收信号强度指示器（RSSI）、电池电量（BL）和海拔高度等物理属性来增强WSN安全性。该研究解决了LoRaWAN入网程序这一关键风险，即在初始通信中由于明文传输而未加密的问题。为评估所提出的方法，开发了一个部分合成的数据集。真实世界的RSSI值来自LoRa at the Edge数据集，而BL和海拔高度列被添加以模拟森林火灾检测场景中真实的传感器行为。机器学习（ML）模型，包括逻辑回归（LR）、随机森林（RF）和K近邻（KNN），与深度学习（DL）模型，如多层感知器（MLP）和卷积神经网络（CNN），进行了比较。结果表明，在机器学习模型中，RF达到了最高的准确率，而MLP和CNN在具有更高资源需求的情况下提供了有竞争力的性能。
Keyword:
wireless sensor networks
physical-layer authentication
deep learning
machine learning
spoofing
multi-attribute
altitude
radio frequency fingerprinting
battery level
RSSI
LoRaWAN
期刊
IF:
3.6
论文数:
1.3K
被引数:
6.5K
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏Supervised Deep Learning Models for Detecting GPS Spoofing Attacks on Unmanned Aerial Vehicles监督式深度学习模型用于检测无人机上的GPS欺骗攻击
PREAI
分享收藏Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications物联网: 关于使能技术、协议和应用的调查
OAAI
OAAI分享收藏 没有更多内容
没有更多内容