基于深度学习的信道鲁棒CSI射频指纹识别

本文介绍了DeepCRF，一个基于信道状态信息的射频指纹识别（CSI-RFF）的深度学习框架。所考虑的CSI-RFF建立在微CSI之上，微CSI是最近发现的一种射频（RF）指纹，表现为出现在商用WiFi设备信道状态信息（CSI）曲线上的微信号。与依赖原始I/Q样本的现有方案相比，微CSI使得CSI-RFF更加简化和易于实现。主要挑战在于从固有波动的CSI测量中精确提取微CSI，这是实现可靠RFF的关键过程。构建对信道变化具有鲁棒性的框架对于CSI-RFF技术的实际部署至关重要。DeepCRF通过一个精心训练的卷积神经网络（CNN）解决了这一挑战。该网络的性能通过采用有效且策略性的数据增强技术得到显著提升，增强了其对未见过的信道条件的泛化能力。此外，DeepCRF引入了监督对比学习以增强其对噪声的鲁棒性。我们的评估表明，DeepCRF在先前未遇到的信道上显著提高了设备识别的准确性。它优于传统的基于模型的方法以及缺乏我们专门训练和增强策略的标准CNN。