拥挤室内环境中基于对比信道状态信息学习的动态开放集射频指纹识别与定位
信号处理
2026-05-18 v1
摘要
基于深度学习的射频指纹识别（RFF）作为密码认证的补充方法已引起关注，它能够抵抗欺骗、重放攻击和密钥泄露。虽然大多数 RFF 方法依赖同相正交（IQ）样本，但信道状态信息（CSI）已成为一种更易获取的替代方案，能够通过物理层特征实现设备认证。在这项工作中，我们提出了 ContraCSI，一个基于 CSI 的对比学习框架，使用低成本的 ESP32 设备进行 RFF。我们研究了多种编码器骨干网络，包括视觉 Transformer（ViT）、轻量级 3D-CNN（Lite3D-CNN）和 R3D18，以学习联合的 CSI 和设备 ID 嵌入用于发射机认证。对于闭集识别，ViT 变体取得了最佳整体性能。我们进一步研究了开放集认证，通过对 Lite3D-CNN-Contra 学习的嵌入应用基于几何熵最小化（GEM）的异常分数和序贯 CUSUM（累积和）检验，从而能够拒绝未见过的或未注册的发射机，而不是强制赋予一个闭集标签。为了评估在具有人体运动、多径衰落以及变化的设备方向和距离的高度动态和拥挤室内环境中的鲁棒性，我们在真实世界环境中进行了大量实验。我们的结果展示了高认证精度、在非理想条件下的强泛化能力以及对未知发射机的有效拒绝。此外，我们探索了通过三边测量法进行基于 CSI 的室内定位，展示了在实际室内部署中集成认证与定位的潜力。
引用
@article{arxiv.2605.15593,
title = {Dynamic and Open-Set RF Fingerprinting and Localization in Crowded Indoor Environments through Contrastive Channel State Information Learning},
author = {Fawaz Abdul Razak and Yasin Yilmaz},
journal= {arXiv preprint arXiv:2605.15593},
year = {2026}
}