Apr, 2019

DeepRadioID: 基于深度学习的无线电指纹算法实时抗干扰优化

PDF
TL;DR本文提出 DeepRadioID，一个系统，其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性，实验结果显示其在三种情况下分别增加了 35％，50％和 58％的指纹识别准确性，并在 100 个设备数据集上实现了 27％的改进。
radio fingerprintingiot authenticationdeep learningwireless channeladversary
发现论文，激发创造
  • 无线电频率指纹识别综述：传统方法、深度学习及开放挑战

    本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性，并综述了 RF 指纹技术的历史、应用、相关的深度学习算法，并探讨了该领域未来的发展方向。

    Jan, 2022

  • 无线电频率指纹识别的挑战：从数据收集到部署

    通过分析无线设备在物理层中的固有硬件缺陷，基于射频指纹（Radio Frequency Fingerprinting，RFF）技术可以在制造过程中对无线设备进行认证。该文探讨了机器学习和深度学习在 RFF 系统中提取和学习特征的能力以及在真实场景中运行该系统所面临的挑战，同时讨论了当前存在的问题以及未来的研究方向。

    Oct, 2023

  • SignCRF: 可扩展的无渠道信息认证射频数据驱动系统

    Radio Frequency Fingerprinting 通过 Deep Learning 技术实现 IoT 设备的认证，提出了一种基于设备硬件级别制造缺陷的无线认证平台 SignCRF，可以在动态环境下精准识别 LoRa 和 WiFi 设备。

    Mar, 2023

  • 揭示深度学习无线设备指纹的可移植性局限性

    通过测试实验，本文指出基于深度学习从 RF 信号中提取特征进行设备指纹识别存在的域可移植性问题，并提出解决方案以提高其抗域可变性能力。

    Nov, 2022

  • 带模型转移和适应的联邦射频指纹识别

    本文提出了一种基于联邦学习算法的无线电频率指纹算法，采用模型转移和适应策略以及在卷积层之间引入密集连接，强化了学习精度并降低了模型复杂度，实现了通信高效和隐私保护，通过从一个信道条件转移学习模型并将其适应于其他信道条件，可以高度准确地预测在环境漂移下的指纹识别率，这种算法在现实世界数据集上的实验表明，相较于基准算法，本文提出的算法可以提高预测性能至多 15%。

    Feb, 2023

  • 基于 CSI 的室内定位指纹识别：一种深度学习方法

    本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。

    Mar, 2016

  • 基于一致性正则化的半监督射频指纹识别

    本研究利用深度半监督学习结合数据增强技术、基于一致性正则化和伪标记的方法，大量利用未标记数据进行 RF 指纹识别，并证明我们提出的半监督 RF 指纹识别方法是明显优于其他竞争方法的，且可以在充足的条件下近乎完全监督与学习性能一致。

    Apr, 2023

  • 通过改进的原型学习实现开放集 RF 指纹识别

    本文研究了利用深度学习进行射频指纹识别的方法，提出了一种改进的原型学习方法，包括基于一致性的正则化和在线标签平滑技术，可以显著提高未知设备的开放式射频指纹识别性能。

    Jun, 2023

  • 面向工业物联网设备的自适应射频指纹认证

    该研究论文介绍了一种基于人工智能自适应射频指纹技术选择和调谐的物联网设备认证方法，可在具有挑战性射频环境下实现强大而灵活的设备认证。

    Nov, 2023

  • 深度学习辅助的芯片式无源射频识别传感器标签的鲁棒性检测技术

    本文介绍了一个用于读取无芯片 RFID 传感器标签的鲁棒性方法，首次应用机器学习和深度学习回归建模技术，通过大规模机器人测量从定制的 3 位无芯片 RFID 传感器标签中获取的雷达截面积（RCS）数据集。通过自动化数据采集方法和一维卷积神经网络，实现了对 9600 个电磁 RCS 签名进行训练和验证，报告了鲁棒性检测标识和传感数据的端到端设计和实现方法，并首次报道了标签表面形状、倾斜角度和读取范围变化对模型的影响。结果显示，所有模型都能很好地推广到给定数据，但一维卷积神经网络模型在检测标识和传感数值方面表现优于传统的机器学习模型，最佳一维卷积神经网络模型结构在标签 ID 和电容式传感方面的均方根误差较低，分别为 0.061（0.87%）和 0.0241（3.44%）错误。

    Aug, 2023