Oct, 2023

无线电频率指纹识别的挑战：从数据收集到部署

PDF
TL;DR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。
radio frequency fingerprintingmachine learningdeep learningauthenticationwireless devices
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

  • 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

  • DeepRadioID: 基于深度学习的无线电指纹算法实时抗干扰优化

    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

  • 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

  • 通过领域适应减轻接收机对射频指纹识别的影响

    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

  • 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

  • 5G 下的 RF 指纹和深度学习辅助 UE 定位

    通过使用射线追踪工具和系统级模拟器，研究使用深度学习技术辅助用户设备在 5G 及更高网络中的定位能力，这项技术在无线资源管理方面更为高效和简单，并为未来网络提供了更积极的移动管理机制。

    Jan, 2020