基于 CSI 的认证中有监督与半监督深度神经网络
机器学习
2018-07-26 v1 机器学习
摘要
从物理层认证的角度看，通过检查信道状态信息（CSI）可阻止欺骗攻击。现有的基于 CSI 的认证算法大多需要深入了解信道才能提供良好性能。在本文中，我们研究基于 CSI 的认证器，其可利用深度神经网络（DNNs）免去预先确定信道特性的工作。我们首先提出一种支持卷积神经网络（CNN）的认证器，能够提取 CSI 中的局部特征。接下来，我们采用循环神经网络（RNN）来捕获 CSI 中不同频率之间的依赖关系。此外，我们提出使用卷积循环神经网络（CRNN）——CNN 与 RNN 的组合——来学习 CSI 中用于用户认证的局部和上下文信息。为了有效训练这些 DNNs，需要大量带标签的信道记录。然而，在存在欺骗者的情况下，标记大量信道观测值通常代价高昂。鉴于此，我们进一步研究仅有一小部分信道观测值被标记的情况。为此，我们将这些 DNN 支持的方法扩展为半监督方法。该扩展基于一种半监督学习技术，其利用带标签和无标签数据来训练 DNN。具体而言，我们的半监督方法首先通过在半监督方式中实施 K-means 算法，为无标签信道样本生成伪标签。随后，带标签和伪标签数据均被用于预训练 DNN，然后基于带标签的信道记录进行微调。
引用
@article{arxiv.1807.09469,
title = {Supervised and Semi-Supervised Deep Neural Networks for CSI-Based Authentication},
author = {Qian Wang and Hang Li and Zhi Chen and Dou Zhao and Shuang Ye and Jiansheng Cai},
journal= {arXiv preprint arXiv:1807.09469},
year = {2018}
}
备注
This paper has been submitted for possible publication