用于时域偏移下鲁棒射频设备指纹识别的无监督对比学习

射频 (RF) 设备指纹识别已被视为实现自动化无线设备识别和分类的潜在技术。然而，由于信道条件和环境设置的变化可能引起域偏移，当测试和训练数据收集于不同域时，基于 RF 的设备分类准确性可能会下降，这构成了一个关键挑战。本文介绍了一种利用对比学习来缓解此域偏移问题的新颖解决方案。对比学习是深度学习中一种最先进的自监督学习方法，它学习一种距离度量，使得正样本对在学到的度量空间中比负样本对更接近（即更相似）。当应用于 RF 指纹识别时，我们的模型将来自同一传输的 RF 信号视为正样本对，将来自不同传输的信号视为负样本对。通过对几天内收集的无线和有线 RF 数据集进行实验，我们证明了对比学习方法能够捕捉域不变特征，从而减弱域特定变化的影响。我们的结果显示，与基线模型相比，准确率有了大幅且一致的提升（10.8% 至 27.8%），从而强调了对比学习在改善域偏移下设备分类方面的有效性。