Feltáró kutatás a hiperparaméterek szerepéről a CNN-alapú eszköz azonosításban HPC alkalmazásban

Martin Felicián Pap; Széchényi István Egyetem Digitális Fejlesztési Központ

Ákos Kovács; Széchényi István Egyetem Digitális Fejlesztési Központ

NETWORKSHOP

2025-10-25 09:21:31

A rádiófrekvenciás ujjlenyomat-alapú (RF fingerprinting) eszközazonosítás megbízható módszert kínál a vezetéknélküli kommunikációban részt vevő fizikai eszközök egyedi azonosítására, különösen olyan protokollok esetében, mint a Bluetooth. Kutatásunk célja egy mélytanuláson alapuló modell hiperparaméter-optimalizálása volt, amely képes felismerni az adóelektronikai eltérésekből származó jelsajátosságokat. A tanulmány során egy konvolúciós neurális háló (CNN) teljesítményét értékeltük többdimenziós hiperparaméter-tér feltárás révén, figyelembe véve a tanulási ráta, softmax hőmérséklet, optimalizáló algoritmus, osztályszám és mintaszám kombinációit.Kulcsszavak: RF fingerprinting; Bluetooth; mélytanulás; HPC; open-set classification Exploratory research on the role of hyperparameters in CNN-based device identification using HPCRadio frequency fingerprinting (RF fingerprinting) provides a reliable method for uniquely identifying physical devices participating in wireless communication, particularly in protocols such as Bluetooth. The aim of our research was to optimize the hyperparameters of a deep learning-based model capable of recognizing signal characteristics arising from transmitter hardware variations. In this study, we evaluated the performance of a convolutional neural network (CNN) through the exploration of a multidimensional hyperparameter space, taking into account combinations of learning rate, softmax temperature, optimization algorithm, number of classes, and sample size.Keywords: RF fingerprinting; Bluetooth; deep learning; HPC; open-set classification https://doi.org/10.31915/NWS.2025.25

magyar

Peer-reviewed Paper

http://ocs.mtak.hu/index.php/nws/2025/paper/view/212

NETWORKSHOP; Networkshop 2025

Authors who submit to this conference agree to the following terms:<br/> <strong>a)</strong>&nbsp;Authors retain copyright over their work, while allowing the conference to place this unpublished work under a <a href="http://creativecommons.org/licenses/by/3.0/">Creative Commons Attribution License</a>, which allows others to freely access, use, and share the work, with an acknowledgement of the work's authorship and its initial presentation at this conference.<br/> <strong>b)</strong>&nbsp;Authors are able to waive the terms of the CC license and enter into separate, additional contractual arrangements for the non-exclusive distribution and subsequent publication of this work (e.g., publish a revised version in a journal, post it to an institutional repository or publish it in a book), with an acknowledgement of its initial presentation at this conference.<br/> <strong>c)</strong>&nbsp;In addition, authors are encouraged to post and share their work online (e.g., in institutional repositories or on their website) at any point before and after the conference.