在LoRa网络中使用机器学习识别被改的无线电频率传输

科学领域:

• * 物联网 (IoT) 安全性
• * 无线通信系统无线通信系统
• * 网络安全和数据完整性

背景情况:

• *远程 (LoRa) 网络对于物联网至关重要,提供低功耗,远程通信.
• *LoRa设备容易受到无线电频率干扰和信号操纵的影响,从而损害数据完整性和安全性.
• *在LoRa网络中检测被改的频率信号是一个重大挑战.

研究的目的:

• * 提出一种用于检测LoRa网络中被改的无线电频率传输的创新方法.
• * 评估五种异常检测算法的有效性,用于识别信号操纵.
• * 增强基于LoRa的物联网系统的安全性和可靠性.

主要方法:

• *使用了五种异常检测算法:局部异常因子,隔离森林,变异自编码器,传统自编码器和主要组件分析.
• *采用基于图像的改频率技术,将LoRa传输信号转换为图像.
• * 创建了一个数据集,包含来自现实世界实验的26,000多张图像,其中包括正常信号和操纵信号.

主要成果:

• *局部异常因子 (LOF) 显示了最高的检测准确率,为97.78%.
• *变量自编码器 (VAE),传统自编码器 (AE) 和主要组件分析 (PCA) 实现了97.27%的准确性.
• * 隔离森林 (IF) 在检测改信号方面取得了84.49%的准确性.

结论:

• * 提出的基于图像的异常检测方法在识别LoRa网络中被改的无线电频率信号方面是有效的.
• *本地异常因子在检测信号操纵方面表现出卓越的性能.
• *这些发现提供了一个有希望的方法来加强基于LoRa的物联网基础设施的安全性和可靠性.