DeepRadioID：基于深度学习的无线电指纹识别算法的实时信道弹性优化
网络与互联网体系结构
2019-04-17 v1
摘要
无线电指纹识别提供了一种可靠且节能的物联网认证策略。通过将输入映射到非常大的特征空间，深度学习算法可被训练以在任何无线标准下对大量设备进行指纹识别。无线电指纹识别中最关键的挑战之一是抵消无线信道的作用，其通过破坏硬件损伤显著降低指纹识别精度。另一方面，由于其庞大尺寸，深度学习算法难以实时重新训练。另一尚待研究的方面是 adversary 是否能成功冒充另一设备指纹。为解决这些关键问题，本文提出DeepRadioID，一种在不重新训练底层深度学习模型的情况下优化基于深度学习的无线电指纹识别算法精度的系统。我们在由20个标称相同的软件定义无线电组成的实验测试台上，以及由DARPA RFMLS项目提供的500个ADS-B设备和500个WiFi设备组成的两个数据集上广泛评估DeepRadioID。实验结果显示DeepRadioID (i) 在所考虑的三种场景下将指纹识别精度提高约35%、50%和58%；(ii) 当 adversary 试图利用其滤波器模仿其他设备指纹时，将其精度降低约54%；(iii) 在100设备数据集上比SOTA提升27%。
引用
@article{arxiv.1904.07623,
title = {DeepRadioID: Real-Time Channel-Resilient Optimization of Deep Learning-based Radio Fingerprinting Algorithms},
author = {Francesco Restuccia and Salvatore D'Oro and Amani Al-Shawabka and Mauro Belgiovine and Luca Angioloni and Stratis Ioannidis and Kaushik Chowdhury and Tommaso Melodia},
journal= {arXiv preprint arXiv:1904.07623},
year = {2019}
}
备注
To appear in ACM MobiHoc 2019, Catania, Italy