一种用于开集RFF认证的泛化模型与数据驱动方法
机器学习
2021-08-11 v1 信息论
math.IT
摘要
射频指纹（RFF）是实现低成本物理层认证的有前景的解决方案。目前已提出基于机器学习的方法用于RFF的提取与判别。然而，现有大多数方法是为设备集保持不变的闭集场景设计的。这些方法无法推广到对未知设备的RFF判别。为了实现对已知和未知设备RFF的判别，我们提出了一个新的端到端深度学习框架，用于从原始接收信号中提取RFF。所提出的框架包含一个新颖的预处理模块，称为神经同步（NS），该模块将数据驱动的学习与来自基于通信模型处理的信号处理先验作为归纳偏置相结合。与静态的传统载波同步技术相比，该模块通过两个由RFF提取器联合训练的可学习深度神经网络来估计偏移。此外，提出了超球面表示以进一步提高RFF的判别能力。理论分析表明，这种数据与模型结合的框架能更好地优化设备身份与RFF之间的互信息，这自然带来了更好的性能。实验结果验证了所提出的RFF在判别能力和网络泛化能力方面均显著优于纯数据驱动的DNN设计和现有手工制作的RFF方法。
引用
@article{arxiv.2108.04436,
title = {A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication},
author = {Renjie Xie and Wei Xu and Yanzhi Chen and Jiabao Yu and Aiqun Hu and Derrick Wing Kwan Ng and A. Lee Swindlehurst},
journal= {arXiv preprint arXiv:2108.04436},
year = {2021}
}
备注
This paper was accepted for publication in IEEE Transactions on Information Forensics & Security