实时无线发射机授权：适应动态授权集的信息检索方法

随着物联网的持续发展，确保依赖无线物联网设备的系统的安全变得至关重要。最近引入了基于深度学习的被动物理层发射机授权系统来实现此目的，因为它们适应此类设备有限的计算和功率预算。当在固定的授权发射机集上进行训练和测试时，这些系统已被证明具有出色的异常检测准确率。然而在实际部署中，随着授权发射机集的变化，可能需要添加和移除发射机。在这种情况下，系统可能会经历较长的停机时间，因为重新训练底层的深度学习模型通常是一个耗时的过程。在本文中，我们从信息检索中汲取灵感来解决这个问题：通过利用特征向量作为射频指纹，我们首先证明训练可以简化为使用局部敏感哈希（LSH）将这些特征向量索引到数据库中。然后我们证明可以在数据库上执行近似最近邻搜索以进行发射机授权，其准确率与深度学习模型相当，同时允许重新训练速度提高 100 倍以上。此外，对特征向量使用降维技术表明，我们技术的授权延迟可以降低至接近传统的基于深度学习的系统。