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

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

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

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

无线电频率指纹识别（RFFI）模型的跨接收方问题，通过将模型适应到来自新接收方的未标记信号中，提出了一个包括领域对齐和自适应伪标签的新方法，能够有效减轻接收方影响并改善跨接收方 RFFI 性能。

Apr, 2024

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

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

该论文介绍了一种利用对比学习来缓解无线设备领域转移问题的新颖解决方案，通过实验证明对比学习方法在改善领域转移下的设备分类中起到了显著且一致的提高作用。

Mar, 2024