FreqSpaNet: 물리 계층 하드웨어 무결성 검사를 위한 주파수 및 공간 학습 SFPF

원문 발행 2026. 09. 16. 02:32원문 언어 영어AI 한국어 번역arXiv cs.LG (Machine Learning) 원문 보기

요약

본 논문은 무선 장치의 물리적 하드웨어 교체 탐지를 위한 새로운 네트워크 FreqSpaNet을 제안합니다. 이 모델은 공간-주파수 편광 지문(SFPF)의 주파수 및 공간 차원을 각각 학습하는 브랜치를 통해, 적응형 융합 방식으로 결합하여 높은 정확도를 달성했습니다.

핵심 포인트

하드웨어 무결성 검증은 물리적 구현 변경으로 인해 어려움이 있습니다.
FreqSpaNet은 SFPF의 주파수 및 공간 차원을 분리 학습합니다.
두 표현을 적응형 융합하여 하드웨어 이상 탐지 성능을 높였습니다.
실험 결과, 평균 AUROC 96.31%를 달성하며 높은 효과성을 입증했습니다.

승인되지 않은 하드웨어 교체는 무선 장치의 논리적 식별자를 유지하면서 물리적 구현을 변경할 수 있어, 하드웨어 무결성 검증에 어려움을 제기합니다. 공간-주파수 편광 지문(Spatio-frequency polarization fingerprints, SFPFs)은 여러 주파수와 방향에 걸친 장치 의존적 응답을 포착하지만, 이들의 주파수 및 공간 차원은 서로 다른 구조적 종속성을 보입니다. 우리는 개방 집합 하드웨어 이상 탐지를 위한 SFPF 표현 학습 네트워크인 FreqSpaNet을 제안합니다. 주파수 브랜치는 인접한 주파수 간의 국부적인 변화를 포착하고, 기하학적으로 인식하는 공간 브랜치는 각도 정보를 사용하여 방향성 관계를 모델링합니다. 이 두 가지 표현은 적응형 융합(adaptive fusion)을 통해 결합되며, 보완적인 사전 학습(pretraining)은 주파수 및 공간 표현의 고유한 특성을 유지하면서 공유된 정보를 추가로 포착합니다. 실험 결과에 따르면 FreqSpaNet은 평균 AUROC 96.31%를 달성하여 기준선 대비 9.05 포인트 향상되었습니다. 또한, 일곱 가지 하드웨어 교체 시나리오에서의 결과는 FreqSpaNet의 효과성을 추가로 입증합니다.

AI 자동 생성 콘텐츠

원문 바로가기

FreqSpaNet: 물리 계층 하드웨어 무결성 검사를 위한 주파수 및 공간 학습 SFPF

요약

핵심 포인트

댓글