迈向长度通用且抗噪声的射频指纹识别
信号处理
2022-07-08 v1
摘要
射频指纹识别（RFFI）可以通过分析由固有硬件损伤引起的信号失真来对无线设备进行分类。最先进的神经网络已被用于RFFI。然而，许多神经网络，例如多层感知器（MLP）和卷积神经网络（CNN），需要固定大小的输入数据。此外，许多物联网设备工作在低信噪比（SNR）场景下，但此类场景下的RFFI性能很少被研究。在本文中，我们分析了基于MLP和CNN的RFFI系统受输入大小限制的原因。为了克服这一点，我们提出了四种可以处理可变长度信号的神经网络，即无展平CNN、长短期记忆（LSTM）网络、门控循环单元（GRU）网络和Transformer。我们在训练期间采用数据增强，这可以显著提高模型对噪声的鲁棒性。我们比较了两种增强方案，即离线增强和在线增强。结果表明在线增强效果更好。在推理过程中，进一步利用多包推理方法来提高低SNR场景下的分类精度。我们以LoRa为例，通过在不同SNR条件下对10个商用现货LoRa设备进行分类来评估该系统。在线增强可以将低SNR下的分类精度提高多达50%，而多包推理方法可以进一步将精度提高超过20%。
引用
@article{arxiv.2207.03001,
title = {Towards Length-Versatile and Noise-Robust Radio Frequency Fingerprint Identification},
author = {Guanxiong Shen and Junqing Zhang and Alan Marshall and Mikko Valkama and Joseph Cavallaro},
journal= {arXiv preprint arXiv:2207.03001},
year = {2022}
}