ChaRRNets:用于射频指纹识别的信道鲁棒表示网络
信号处理
2021-05-11 v1 机器学习
摘要
我们提出了用于射频指纹识别的复值卷积神经网络(CNN),其超越了平移不变性,并恰当考虑了针对多径传播信道的归纳偏置,这是一种无线信号处理和通信领域特有的现象。我们关注在真实环境下使用深度学习(DL)技术对无线 IoT 设备进行指纹识别的问题。在这些真实世界条件下,训练集和测试集中所代表的多径环境将有所不同。这些差异源于支配无线信号传播的物理学原理,以及实际数据采集活动的局限性。我们的方法遵循群论框架,利用了流形值数据上深度学习的已有工作,并将该已有工作扩展至无线信号处理领域。我们引入了信号在多径传播模型下所经历的变换的李群,并定义了等变和不变于有限冲激响应(FIR)滤波器频率响应的操作,以构建 ChaRRNet。我们使用合成和真实世界数据集给出了结果,并与一个强基线模型进行了基准比较,展示了我们方法的有效性。我们的结果提供了将恰当的无线领域偏置纳入 DL 模型有益的证据。我们希望随着 5G 革命增加对增强安全机制的需求,能激发鲁棒射频机器学习领域的新工作。
引用
@article{arxiv.2105.03568,
title = {ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting},
author = {Carter N. Brown and Enrico Mattei and Andrew Draganov},
journal= {arXiv preprint arXiv:2105.03568},
year = {2021}
}