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

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

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。

Apr, 2019

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

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

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

本文提出了一种基于设备指纹技术的模型，能够在网络设备中区分物联网设备和非物联网设备，并能针对每个设备进行唯一识别，通过使用随机森林分类器和不同数据集的实验证明，该方法能够在分辨物联网和非物联网设备方面达到 99.8% 以上的准确率，并在分类个体设备方面达到 97.6% 以上的准确率，可有效帮助运营商提高网络安全性和防止未经授权的访问。

Jan, 2023

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

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

通过深度学习将量子技术与实时 RF 信号分类结合，实现了低延迟在线分类和突破物理极限的下一代量子 RF 传感器。

Apr, 2024