未知信道统计下用于射频指纹提取的解耦表示学习
信号处理
2022-10-18 v2 密码学与安全
信息论
机器学习
math.IT
摘要
将深度学习（DL）应用于设备的射频指纹（RFF）因其卓越的分类性能在物理层认证中受到显著关注。传统的 DL-RFF 技术通过采用最大似然估计（MLE）进行训练。尽管其可区分性最近已扩展到开放集场景中的未知设备，它们仍倾向于过拟合训练数据集中嵌入的信道统计。这限制了其实际应用，因为收集捕捉所有可能无线信道环境特征的充足训练数据具有挑战性。为应对该挑战，我们提出了一种解耦表示（DR）学习的 DL 框架，该框架首先通过对抗学习将信号分解为设备相关分量与设备无关分量。随后，它在数据集内对这两部分进行打乱以实现隐式数据增强，从而对 RFF 提取器学习施加强正则化，以避免对设备无关信道统计的可能过拟合，而无需从未知信道收集额外数据。实验验证，所提方法（称为基于 DR 的 RFF）即使在未知复杂传播环境（如色散多径衰落信道）下，即便所有训练数据均在以直射视距（LoS）传播路径为主的简单环境中收集，其在对未知设备的泛化能力方面仍优于传统方法。
引用
@article{arxiv.2208.02724,
title = {Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics},
author = {Renjie Xie and Wei Xu and Jiabao Yu and Aiqun Hu and Derrick Wing Kwan Ng and A. Lee Swindlehurst},
journal= {arXiv preprint arXiv:2208.02724},
year = {2022}
}