知识卡片

普通读书笔记卡 · 41.a.3 · 生成模型:未记录

设备指纹来自物理信号

理解等级:中级

设备指纹认证从硬件信号提取能区分设备的特征,经处理和模型训练后用阈值判别身份。它比可直接伪造的地址多了一层物理依据,但仍受采样、环境和分类误差影响。训练与实际测量条件应匹配,并说明误接纳与误拒绝边界。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 网络安全 训练污染、攻击链与设备指纹 · 查看原书依据

      从暂态信号、调制信号、频谱响应及传感器响应等信号中提取反映设备身份的特征,然后生成可用于设备识别的指纹,再通过机器学习算法识别设备指纹,从而实现对设备身份的认证。基于机器学习的设备身份认证流程包括测量信号、提取信号特征、降低维度、生成指纹及

    参考来源

    - 位置:《人工智能安全》网络安全,训练污染、攻击链与设备指纹(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能安全/_epub-src/EPUB/xhtml/Section0001_0009.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;书中历史数据与技术预测保留原有时点,不当作当前已验证结论。 - 原始内容:从暂态信号、调制信号、频谱响应及传感器响应等信号中提取反映设备身份的特征,然后生成可用于设备识别的指纹,再通过机器学习算法识别设备指纹,从而实现对设备身份的认证。基于机器学习的设备身份认证流程包括测量信号、提取信号特征、降低维度、生成指纹及