利用深度神经网络挖掘带外硬件损伤信息以实现鲁棒无线设备分类
信号处理
2020-04-24 v1
摘要
无线设备分类技术在推动新兴无线应用方面发挥关键作用，例如使频谱管理机构得以执行其接入策略，并让网络管理员能够控制接入、防止对其无线网络的仿冒攻击。利用发射射频信号因制造与组装阶段产生的收发器硬件损伤所致的频谱失真来进行设备分类，已是诸多近期工作的焦点。这些先前工作本质上应用深度学习从设备的硬件损伤信号中提取特征，并依赖设备间特征差异来区分彼此。随着技术进步，设备间制造损伤差异正变得极不明显，使这些既有分类方法不再准确。本文提出一种新颖的、基于深度学习的技术，可提供可扩展且高精度的无线设备分类，即便设备间硬件损伤差异可忽略且具备相同硬件、协议与软件配置。所提技术的新颖性在于利用带内与带外信号失真信息：在接收端对捕获信号过采样，并将从射频信号收集的IQ样本送入深度神经网络进行分类。使用卷积神经网络（CNN）模型，我们表明所提技术应用于具有极小硬件失真的高端高性能设备时，相较现有方法使设备分类准确率翻倍。
引用
@article{arxiv.2004.11126,
title = {Leveraging Hardware-Impaired Out-of-Band Information Through Deep Neural Networks for Robust Wireless Device Classification},
author = {Abdurrahman Elmaghbub and Bechir Hamdaoui},
journal= {arXiv preprint arXiv:2004.11126},
year = {2020}
}
备注
9 pages