面向 LoRa 的可扩展且信道鲁棒的频率指纹识别
信号处理
2021-07-08 v1
摘要
射频指纹识别（RFFI）是一种基于发射机硬件损伤的有前景的设备认证技术。本文中，我们提出了一种通过深度学习赋能的射频指纹（RFF）提取器实现的可扩展且鲁棒的 RFFI 框架。具体而言，我们利用深度度量学习训练 RFF 提取器，其具有优异的泛化能力，并能从先前未见的设备中提取 RFF。任何设备都可通过预训练的 RFF 提取器注册，且 RFF 数据库可高效维护以允许设备加入和离开。无线信道影响 RFF 提取，并通过利用信道无关特征和数据增强来解决。我们开展了涉及 60 个商用现货 LoRa 设备和 USRP N210 软件定义无线电平台的广泛实验评估。结果成功表明，我们的框架能为设备分类和恶意设备检测提供优异的泛化能力以及有效的信道缓解。
引用
@article{arxiv.2107.02867,
title = {Towards Scalable and Channel-Robust Radio Frequency Fingerprint Identification for LoRa},
author = {Guanxiong Shen and Junqing Zhang and Alan Marshall and Joseph Cavallaro},
journal= {arXiv preprint arXiv:2107.02867},
year = {2021}
}