面向移动 Wi-Fi 设备的模型驱动基于学习的物理层认证
机器学习
2026-03-24 v1
摘要
无线技术的兴起使物联网（IoT）无处不在，但无线通信的广播特性使 IoT 面临认证风险。物理层认证通过利用无线信道的独特特性提供了一种有前景的解决方案。作为物理层认证的常用方法，假设检验能够产生理论上最优的 Neyman-Pearson（NP）检测器，但其依赖于信道统计量的特性限制了在实际场景中的实用性。相比之下，基于深度学习的物理层认证方法实用但往往不是最优的。为了解决这些挑战，我们提出了一种由假设检验驱动的基于学习的物理层认证方案，并使用 Wi-Fi 进行了广泛的模拟和实验评估。具体而言，我们将条件统计模型纳入假设检验框架中以推导理论上最优的 NP 检测器。在此基础上，我们开发了 LiteNP-Net，一个由 NP 检测器驱动的轻量级神经网络。模拟结果表明，即使在没有信道统计量先验知识的情况下，LiteNP-Net 也能逼近 NP 检测器的性能。为进一步评估其在实际环境中的有效性，我们在各种真实场景中使用 Wi-Fi IoT 开发套件部署了实验测试平台。实验结果表明，LiteNP-Net 优于传统的基于相关性的方法以及最先进的基于 Siamese 网络的方法。
引用
@article{arxiv.2603.19972,
title = {Model-Driven Learning-Based Physical Layer Authentication for Mobile Wi-Fi Devices},
author = {Yijia Guo and Junqing Zhang and Yao-Win Peter Hong and Stefano Tomasin},
journal= {arXiv preprint arXiv:2603.19972},
year = {2026}
}