基于混合 CVNN-RF 分类器的低成本射频指纹识别及基于自动化多维早退出策略
信号处理
2024-06-24 v1
摘要
虽然物联网（IoT）技术正迅速发展，为信息交换提供了巨大机遇，但也面临前所未有的安全挑战。作为物理层安全技术的重要补充，射频指纹识别（RFF）因其难以仿冒而备受关注。最近涌现出许多基于机器学习（ML）的 RFF 算法，其中深度学习（DL）能够从原始数据中自动提取复杂细微特征，具有高分类准确率。然而，随着 RFF 任务难度的增加和深度神经网络（DNN）规模的扩大，DL 模型面临计算成本问题。为解决上述挑战，本文提出一种新型低成本早退出神经网络，包含以复数神经网络（CVNN）为主干结构的多个随机森林分支，称为混合 CVNN-RF。不同于传统方法仅使用单一固定 DL 模型处理所有射频样本，我们的混合 CVNN-RF考虑到射频样本识别难度的差异，引入早退出机制以动态处理样本。对于能够以高置信度准确分类的“简单”样本，混合 CVNN-RF 可在随机森林分支处提前结束，以降低计算成本。相反，则会激活后续网络层以确保准确性。为进一步提高早退出率，本文提出一种自动化的多维早退出策略，通过网络深度和分类类别的多个维度实现调度控制。最终在公开的 ADS-B 数据集上实验表明，所提算法在 100 分类任务下，可将计算成本降低 83%，同时将准确率提高 1.6%。
引用
@article{arxiv.2406.14869,
title = {Cost-Effective RF Fingerprinting Based on Hybrid CVNN-RF Classifier with Automated Multi-Dimensional Early-Exit Strategy},
author = {Jiayan Gan and Zhixing Du and Qiang Li and Huaizong Shao and Jingran Lin and Ye Pan and Zhongyi Wen and Shafei Wang},
journal= {arXiv preprint arXiv:2406.14869},
year = {2024}
}
备注
Accepted by IEEE Internet of Things Journal