基于物理信道指纹的移动业务分类：一种深度学习方法
信号处理
2020-02-10 v3 机器学习
机器学习
摘要
应用与业务的自动分类是新世代移动网络的一项宝贵特性。在此，我们提出并验证了可在运行时从运营中移动网络的原始物理信道执行该任务的算法，而无需对传输流进行解码和/或解密。为此，我们解码承载于 LTE 物理下行控制信道（PDCCH）中的下行控制信息（DCI）消息。DCI 消息由无线小区以明文发送，本文中用于分类相连移动终端上执行的应用与业务。通过大规模测量活动收集了两个数据集：一个带标签的，用于训练分类算法；一个无标签的，采集自西班牙巴塞罗那市区内的四个无线小区。在其他多种方法中，我们的卷积神经网络（CNN）分类器给出了 99% 的最高分类准确率。该 CNN 分类器随后被增强以拒绝模式不符合训练阶段所学模式的会话的能力，并进而以在线无监督方式用于对四个受监测无线小区的流量进行细粒度分解。
引用
@article{arxiv.1910.11617,
title = {Mobile Traffic Classification through Physical Channel Fingerprinting: a Deep Learning Approach},
author = {Hoang Duy Trinh and Angel Fernandez Gambin and Lorenza Giupponi and Michele Rossi and Paolo Dini},
journal= {arXiv preprint arXiv:1910.11617},
year = {2020}
}