基于深度学习增强CSI的射频指纹识别：面向信道鲁棒的WiFi设备识别
人工智能
2024-11-12 v1
摘要
本文提出了DeepCRF，一个利用深度学习从信道状态信息（CSI）测量中提取微弱微信号的新型框架，实现对各类商用（COTS）WiFi设备在多样化信道条件下的鲁棒且有弹性的射频指纹识别（RFF）。在我们先前研究的基础上，该研究表明CSI中的微信号（称为微CSI）最可能源自射频电路缺陷，并可作为独特的射频指纹。我们开发了一种新方法以克服先前基于信号空间方法的局限性。虽然基于信号空间的方法在强视距（LoS）条件下有效，但我们表明它在非视距（NLoS）场景的复杂性面前表现不佳，从而削弱了基于CSI的RFF的鲁棒性。为应对这一挑战，DeepCRF集成了经过精心训练的卷积神经网络（CNN），结合模型启发式数据增强、监督对比学习和决策融合技术，增强了其在未见信道条件下的泛化能力和抗噪鲁棒性。我们的评估表明，DeepCRF显著提升了跨多样化信道的设备识别准确率，超越了基于信号空间的基线方法和最先进的基于神经网络的基准方法。值得注意的是，在实际未见场景中，每次识别过程使用4次CSI测量，DeepCRF在19个COTS WiFi网络接口卡中实现了平均99.53%的识别准确率。
引用
@article{arxiv.2411.06927,
title = {Multi-modal Iterative and Deep Fusion Frameworks for Enhanced Passive DOA Sensing via a Green Massive H2AD MIMO Receiver},
author = {Jiatong Bai and Minghao Chen and Wankai Tang and Yifan Li and Cunhua Pan and Yongpeng Wu and Feng Shu},
journal= {arXiv preprint arXiv:2411.06927},
year = {2024}
}