使用合成数据集增强深度学习方法的移动场景实用物理层认证
机器学习
2026-03-24 v1
摘要
得益于无线技术的快速发展,物联网(IoT)无处不在。然而,无线传输的广播特性导致设备认证极易受到攻击。物理层认证通过利用独特的信道特性成为一种有前景的方法。然而,仍然缺乏适用于动态信道变化的实用方案。在本文中,我们提出了一种基于深度学习的移动场景物理层信道状态信息(CSI)认证,并使用IEEE 802.11n进行了全面的仿真和实验评估。具体而言,基于WLAN TGn信道模型以及信道的自相关和距离相关生成了合成训练数据集,这可以显著减少手动收集实验数据集的开销。利用基于卷积神经网络(CNN)的Siamese网络学习CSI对之间的时间和空间相关性,并输出一个分数来衡量它们的相似度。我们采用了一种包含仿真和实验评估的协同方法论。实验测试平台由WiFi IoT开发套件组成,并特别考虑了几个典型场景。仿真和实验评估都表明我们提出的基于深度学习的方法具有出色的泛化性能和出色的认证性能。我们的实际测量结果表明,与基于全连接网络(FCN-based)的Siamese模型相比,我们提出的方案将曲线下面积(AUC)提高了0.03,与基于相关性的基准算法相比提高了0.06。
引用
@article{arxiv.2508.20861,
title = {Practical Physical Layer Authentication for Mobile Scenarios Using a Synthetic Dataset Enhanced Deep Learning Approach},
author = {Yijia Guo and Junqing Zhang and Y. -W. Peter Hong},
journal= {arXiv preprint arXiv:2508.20861},
year = {2026}
}