利用多发射多接收实现信道无关的基于深度学习的网络设备分类
信号处理
2021-09-09 v1
摘要
无线设备的准确识别对于实现大规模网络（例如物联网）中的自动网络访问监控和认证数据通信至关重要。射频指纹识别通过利用发射机独特的制造缺陷，已成为一种设备识别解决方案。尽管深度学习在基于硬件缺陷指纹对设备进行分类方面被证明是有效的，但由于信道变化，深度学习模型表现不佳。也就是说，尽管使用同一时期生成的数据训练和测试神经网络可以实现可靠的分类，但在不同时间生成的数据上测试它们会显著降低准确率，这是社区内已公认的问题。据我们所知，我们是首个提出利用MIMO能力来减轻信道效应并提供信道鲁棒的设备分类的。我们表明，对于AWGN信道，组合多个接收信号可将测试准确率提高多达30%。我们还表明，对于瑞利信道，当模型在相同信道上训练和测试时，MIMO实现的盲信道估计可将测试准确率提高多达40%；当模型在与训练所用不同的信道上测试时，则可提高多达60%。
引用
@article{arxiv.2109.03799,
title = {Leveraging Multiple Transmissions and Receptions for Channel-Agnostic Deep Learning-Based Network Device Classification},
author = {Nora Basha and Bechir Hamdaoui},
journal= {arXiv preprint arXiv:2109.03799},
year = {2021}
}
备注
11 pages, 8 figures, preprint