面向射频指纹识别的通用机器学习框架
机器学习
2025-12-22 v3 密码学与安全
机器学习
摘要
射频(RF)辐射源的指纹识别通常涉及在接收信号中寻找其独有的特征。这些指纹细微而详尽,这促使人们不断探索能够成功提取它们的方法。在射频指纹识别(RFF)中,最为严苛的下游任务被称为特定辐射源识别(SEI),即识别每一个独立的发射机。RFF 与 SEI 拥有悠久的研究历史,在信号情报、电子监视、无线设备的物理层认证等众多国防与民用场景中均有应用。近年来,数据驱动的 RFF 方法因其能够自动学习复杂指纹的能力而备受关注。相比于传统 RFF 技术——这些技术往往劳动密集、缺乏灵活性,且仅适用于特定辐射源类型或传输方案——数据驱动方法通常能够带来更优的性能。本文提出了一种通用且灵活的机器学习(ML)框架,用于数据驱动的 RFF,可支持多种主流下游任务,如 SEI、数据关联(EDA)以及射频辐射源聚类(RFEC)。该框架与辐射源类型无关。随后,我们利用面向天基监视、信号情报和反无人机的真实射频数据集,在多个任务上演示了该框架的有效性。
引用
@article{arxiv.2510.09775,
title = {A Generic Machine Learning Framework for Radio Frequency Fingerprinting},
author = {Alex Hiles and Bashar I. Ahmad},
journal= {arXiv preprint arXiv:2510.09775},
year = {2025}
}