基于深度学习的无线指纹识别：混淆因素的影响
信号处理
2021-03-10 v3 机器学习
机器学习
摘要
我们能否区分两个发送完全相同消息、使用相同协议的无线发射机？由于即使同一制造商生产的发射机之间也存在细微的非线性差异，这种区分成为可能。由于这些效应难以显式建模，我们研究使用复值深度神经网络（DNN）来学习设备指纹，该网络以接收端的复基带信号作为输入。我们探讨此类指纹能否对由于时钟漂移和无线信道变化所引起的时间与位置上的分布偏移保持鲁棒。在本文中，我们指出，除非主动阻止，否则 DNN 会学习这些强混淆特征，而非我们旨在学习的设备特异性非线性特征。我们提出并评估了基于增强与估计的策略，利用来自 WiFi 和 ADS-B 协议的数据，以促进跨这些混淆因素实现的泛化。我们得出结论：尽管 DNN 训练具有无需显式信号模型的优势，但仍需要显著的建模洞察力，以使学习聚焦于我们期望捕捉的效应。
引用
@article{arxiv.2002.10791,
title = {Wireless Fingerprinting via Deep Learning: The Impact of Confounding Factors},
author = {Metehan Cekic and Soorya Gopalakrishnan and Upamanyu Madhow},
journal= {arXiv preprint arXiv:2002.10791},
year = {2021}
}
备注
16 pages, 14 figures