综合射频数据集采集与发布：一个基于深度学习的设备指纹识别用例
信号处理
2022-01-10 v1 机器学习
摘要
基于深度学习的射频指纹识别近来被公认为一种有潜力的解决方案，可支持新兴的无线网络应用，如频谱接入策略 enforcement、自动化网络设备认证以及未授权网络访问监测与控制。现在比以往任何时候都更需要真实、综合的射频数据集，以支持新开发的射频指纹识别方法的研究、评估和验证。在本文中，我们展示并发布了一个大规模射频指纹识别数据集，该数据集使用 USRP B210 接收机从 25 个不同的支持 LoRa 的物联网发射设备采集。我们的数据集由大量符合 SigMF 的二进制文件组成，代表 LoRa 传输的 I/Q 时域采样及其对应的基于 FFT 的文件。该数据集提供了一套综合的基本实验场景，考虑了室内和室外环境以及各种网络部署与配置，例如发射机与接收机之间的距离、所考虑 LoRa 调制的配置、所进行实验的物理位置，以及用于训练和测试神经网络模型的接收机硬件。
引用
@article{arxiv.2201.02213,
title = {Comprehensive RF Dataset Collection and Release: A Deep Learning-Based Device Fingerprinting Use Case},
author = {Abdurrahman Elmaghbub and Bechir Hamdaoui},
journal= {arXiv preprint arXiv:2201.02213},
year = {2022}
}
备注
This paper has been presented in IEEE GLOBECOM Workshop 2021