利用射频指纹进行设备识别：解决源数据自由场景下的跨接收器挑战
机器学习
2025-12-19 v1 信号处理
摘要
随着边缘计算的快速普及，射频指纹识别 (Radio Frequency Fingerprint Identification, RFFI) 对于安全设备认证变得越来越重要。然而，基于深度学习的 RFFI 模型在跨接收器应用时性能常会因接收器差异引入的分布迁移而显著下降。为解决这一问题，我们研究了源数据自由的跨接收器 RFFI (SCRFFI) 问题，即预训练的模型需在没有访问源域数据的情况下适应目标接收器上的未标记信号。我们首先提出一种基于受约束伪标签的 SCRFFI 适应框架，并对其泛化性能进行理论分析。我们的分析表明，目标域性能高度依赖适应期间生成的伪标签质量。基于此，我们提出了动量软伪标签源假设迁移 (Momentum Soft pseudo-label Source Hypothesis Transfer, MS-SHOT) 方法， incorporates 动量中心引导的软伪标签和全局结构约束，以鼓励自信且多样的预测。值得注意的是，MS-SHOT 能有效处理标签迁移或目标域中未知、非均匀类别分布的情况——这一点是先前方法的一个重要局限。大量实验表明，MS-SHOT 在准确率和鲁棒性方面均优于现有方法，为 RFFI 中的源数据自由跨接收器适应提供了实用且可扩展的解决方案。
引用
@article{arxiv.2512.16648,
title = {Exploiting Radio Frequency Fingerprints for Device Identification: Tackling Cross-receiver Challenges in the Source-data-free Scenario},
author = {Liu Yang and Qiang Li and Luxiong Wen and Jian Yang},
journal= {arXiv preprint arXiv:2512.16648},
year = {2025}
}
备注
IEEE Transactions on Mobile Computing