面向可解释无线电频率指纹的因子化解缠表示学习
信号处理
2025-08-19 v1
摘要
针对物联网（IoT）设备的快速增长和日益提升的安全风险，无线电频率指纹（RFF）已成为设备识别和认证的关键技术。然而，除RFF本身外的各种变化因素在信号传输至接收过程中可能被缠合，从而降低RFF识别（RFFI）的效果。现有RFFI方法主要依赖于域适应技术，往往缺乏明确的因子表示，导致鲁棒性差且对下游任务控制有限。为此，我们提出一种新型的解缠表示学习（DRL）框架，通过学习多个因子的显式且独立的表示，包括RFF本身。该框架引入解缠模块，依据显式性、模块化和紧凑性原则进行引导。我们设计了两个专门的模块，用于因子分类和信号重建，每个模块都配有量身定制的损失函数，以鼓励有效的解缠并增强对下游任务的支持。因此，该框架能够提取一组解释明确的向量，显式地表示相应的因子。我们在两个公开基准数据集和一个自收集数据集上评估了该方法。该方法在多个DRL指标上取得了令人印象深刻的性能。我们还分析了该方法在下游RFFI任务和条件信号生成任务中的效果。框架的所有模块都有助于提高分类准确率，并实现对条件生成信号的精确控制。这些结果凸显了DRL框架在可解释和显式RFF方面的潜力。
引用
@article{arxiv.2508.12660,
title = {Factorized Disentangled Representation Learning for Interpretable Radio Frequency Fingerprint},
author = {Yezhuo Zhang and Zinan Zhou and Guangyu Li and Xuanpeng Li},
journal= {arXiv preprint arXiv:2508.12660},
year = {2025}
}
备注
14 pages, 8 figures