揭示基于深度学习的无线设备指纹的可移植性局限
机器学习
2022-11-16 v1 信号处理
摘要
近期的设备指纹识别方法依赖深度学习，仅从原始射频信号中提取设备特定特征，以识别、分类和认证无线设备。一个广为人知的问题在于，当训练数据与测试数据采集自不同的部署域时，这些方法无法保持良好的性能。例如，当学习模型在由一个接收机采集的数据上训练，却在由另一个接收机采集的数据上测试时，与训练和测试数据均使用同一接收机采集相比，性能会大幅下降。在考虑其他变化域（如信道条件和协议配置）时，同样的情况也会发生。在本文中，我们首先通过测试床实验，解释这些指纹识别技术在域可移植性方面所面临的挑战。随后，我们将提出一些应对这些挑战的思路，以使基于深度学习的设备指纹识别对域变化更具鲁棒性。
引用
@article{arxiv.2211.07687,
title = {Uncovering the Portability Limitation of Deep Learning-Based Wireless Device Fingerprints},
author = {Bechir Hamdaoui and Abdurrahman Elmaghbub},
journal= {arXiv preprint arXiv:2211.07687},
year = {2022}
}
备注
This article has also been accepted to 6G Summit, Abu Dhabi, UAE, Nov. 2022