محققان در مقاله جدید خود به یک چالش مهم در سیستمهای «اثر انگشت فرکانس رادیویی» (RFFP) پرداختند. این سیستمها که برای احراز هویت دستگاهها استفاده میشوند، بهشدت تحت تأثیر تغییرات دمایی قرار میگیرند که میتواند دقت آنها را پایین بیاورد.
تیم پژوهشی با معرفی یک چارچوب جدید و «آگاه به دما»، اطلاعات حرارتی دستگاه را به فرآیند یادگیری تزریق کردهاند. نتیجه؟ افزایش چشمگیر دقت مدلها در شرایط محیطی مختلف و حتی در سناریوهایی که قبلاً دیده نشده بودند! این پیشرفت گام مهمی در بهبود امنیت سختافزاری با کمک هوش مصنوعی است. 🚀
منبع: arXiv Machine Learning