基于深度学习的零接触设备识别：通过 MIMO 分集缓解信道可变性的影响
信号处理
2023-06-14 v1
摘要
基于深度学习的设备指纹识别已被证明能高效实现发射设备的自动化识别与认证。其利用制造过程中硬件损伤所固有的发射机独特特征，提取设备专属签名，从而可用来唯一区分和分离（相同的）设备。尽管已被证明具有良好性能，但已知硬件指纹方法在训练数据与测试数据由不同信道条件（常随时间 and/or 位置变化而改变）生成时性能大幅下降。据我们所知，本工作是首个使用 MIMO 分集来缓解信道可变性影响，并在平坦衰落信道上提供信道鲁棒设备识别的工作。具体而言，我们表明，当模型训练与测试在同一信道上进行时，MIMO 可将设备分类准确率提高至多约 ；当训练与测试在不同衰落信道上进行时，可提高至多约 。
引用
@article{arxiv.2306.07878,
title = {Deep Learning-Enabled Zero-Touch Device Identification: Mitigating the Impact of Channel Variability Through MIMO Diversity},
author = {Bechir Hamdaoui and Nora Basha and Kathiravetpillai Sivanesan},
journal= {arXiv preprint arXiv:2306.07878},
year = {2023}
}
备注
6 pages, 4 figures, IEEE Communications Magazine