硬件预热时间对基于深度学习的RF指纹识别的影响
密码学与安全
2025-01-13 v2
摘要
基于深度学习的RF指纹识别为提升各类新兴无线网络的安防鲁棒性提供了巨大潜力。尽管在增强指纹识别方法上已取得诸多进展，设备硬件稳定与预热时间对可达指纹识别性能的影响尚未受到足够关注。为此，本文聚焦于填补该空白，调查并阐明若忽视硬件稳定因素可能出何种问题。具体而言，我们的实验结果显示，当深度学习模型以硬件稳定后采集的样本训练、却以设备刚上电后采集的数据测试时，设备分类准确率降至37%以下。然而，当训练与测试数据均在稳定期后采集时，若模型在同日训练与测试，可达平均准确率超99%；若模型在某日训练、另一日测试，则无线与有线场景分别取得88%与96%。此外，本文中我们利用仿真与测试床实验解释设备硬件预热期间观测到的I/Q信号行为导致RF指纹识别性能退化的成因。我们进一步发布一个大型WiFi数据集，包含跨多日采集的不稳定（预热期采集）与稳定（预热后采集）数据。我们的工作贡献了数据集、解释与指南，以增强RF指纹识别在保护新兴无线网络中的鲁棒性。
引用
@article{arxiv.2308.00156,
title = {On the Impact of the Hardware Warm-Up Time on Deep Learning-Based RF Fingerprinting},
author = {Abdurrahman Elmaghbub and Vincent Immler and Bechir Hamdaoui},
journal= {arXiv preprint arXiv:2308.00156},
year = {2025}
}