Feltáró kutatás a hiperparaméterek szerepéről a CNN-alapú eszköz azonosításban HPC alkalmazásban = Exploratory Research on the Role of Hyperparameters in CNN-based Device Identification Using HPC

Pap, Martin Felicián and Kovács, Ákos (2025) Feltáró kutatás a hiperparaméterek szerepéről a CNN-alapú eszköz azonosításban HPC alkalmazásban = Exploratory Research on the Role of Hyperparameters in CNN-based Device Identification Using HPC. In: Oktatási, kutatási és közgyűjteményi infrastruktúrák és tartalmak: digitális transzformáció felsőfokon : NETWORKSHOP 2025 : 34. Országos Informatikai Konferencia : 2025. május 13–15. Széchenyi István Egyetem, Győr. Hungarnet Egyesület, Budapest, pp. 232-238. ISBN 978-615-6792-15-0

Preview

Text 233_fejezet_NETWORKSHOP_2025.pdf - Published Version Available under License Creative Commons Attribution. Download (288kB) | Preview

Abstract

A rádiófrekvenciás ujjlenyomat-alapú (RF fingerprinting) eszközazonosítás megbízható módszert kínál a vezeték nélküli 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. | Radio 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, the number of classes, and sample size.

Actions (login required)

Edit Item