室内UWB干扰器的机器学习与深度学习方法
摘要
超宽带（UWB）定位提供厘米级精度，但易受干扰攻击，在智能建筑的资产跟踪和入侵检测中存在安全风险。虽然机器学习（ML）和深度学习（DL）方法已改进标签定位，但在单间房内定位恶意干扰器以及在变化的室内布局中实现本地化，仍属未完全探索的领域。我们引入两个在原始和修改房间配置下收集的新型UWB数据集，以建立全面的ML/DL基准。使用多种分类和回归指标对性能进行严格评估。在数据集收集的UWB特征上，随机森林实现了最高的0.95的F1-macro得分，XGBoost实现了最低的20.16厘米的平均欧几里得误差。然而，在修改房间布局中部署这些源数据训练的模型会导致严重的性能下降，XGBoost的平均欧几里得误差增加十倍至207.99厘米，显现出显著的域迁移。为缓解这种下降，我们提出一种基于梯度反转层对齐CIR派生特征跨域的域对抗性ConvNeXt自编码器（A-CNT）。A-CNT框架通过将平均欧几里得误差降低至34.67厘米来恢复定位性能。这相当于非对抗迁移学习的77%改进，以及最佳基准的83%改进，将30厘米内的样本比例恢复到0.56。总体而言，结果表明，对抗特征对齐能够在环境变化的情况下实现稳健且可迁移的室内干扰器定位。代码和数据集均可在https://github.com/afbf4c8996f/Jammer-Loc 获取。
引用
@article{arxiv.2511.01819,
title = {Machine and Deep Learning for Indoor UWB Jammer Localization},
author = {Hamed Fard and Mahsa Kholghi and Benedikt Groß and Gerhard Wunder},
journal= {arXiv preprint arXiv:2511.01819},
year = {2025}
}
备注
Accepted at the 20th International Conference on Risks and Security of Internet and Systems (CRiSIS 2025, Gatineau-Canada, https://crisis2025.uqo.ca/). The paper will soon be published as post-proceedings in Springer's LNCS