面向物联网中无线设备识别的类增量学习
机器学习
2021-05-14 v1 人工智能
密码学与安全
神经与进化计算
摘要
深度学习（DL）已普遍应用于物联网（IoT）中。DL在IoT中的典型应用是从无线信号进行设备识别，即非密码学设备识别（NDI）。然而，NDI系统中的学习组件必须演化以适应运行变化，此种范式被称为增量学习（IL）。已有多种IL算法被提出，其中许多需要专用空间存储日益增长的历史数据，因此不适用于IoT或移动应用。然而，当历史数据不可用时，传统IL方案无法提供令人满意的性能。本文从新视角解决NDI中的IL问题：首先，我们提供一种新度量，从类特定指纹的冲突程度衡量DNN模型的拓扑成熟度。我们发现IL赋能的NDI中性能退化的一个重要原因是设备指纹的冲突。其次，我们也表明传统IL方案会导致NDI系统中DNN模型的低拓扑成熟度。第三，我们提出一种不使用历史数据的信道分离赋能增量学习（CSIL）方案，其策略可自动分离不同学习阶段中设备的指纹并避免潜在冲突。最后，我们使用来自ADS-B（广播式自动相关监视，一种IoT在航空中的应用）的真实数据评估了所提框架的有效性。该框架有潜力应用于多种IoT应用与服务中IoT设备的精确识别。数据和代码见IEEE Dataport（DOI: 10.21227/1bxc-ke87）和\url{https://github.com/pcwhy/CSIL}。
引用
@article{arxiv.2105.06381,
title = {Class-Incremental Learning for Wireless Device Identification in IoT},
author = {Yongxin Liu and Jian Wang and Jianqiang Li and Shuteng Niu and Houbing Song},
journal= {arXiv preprint arXiv:2105.06381},
year = {2021}
}
备注
Accepted for publication by IEEE Internet of Things Journal