通过对抗性和三元组损失实现抗干扰的射频指纹识别 M. Zahid Erdo?an 和 Sel?uk Ta?c?o?lu

《Electronics》:Channel-Robust RF Fingerprinting via Adversarial and Triplet Losses M. Zahid Erdo?an and Sel?uk Ta?c?o?lu

【字体: 大 中 小 】 时间:2026年03月10日 来源:Electronics 2.6

编辑推荐:

  摘要 射频指纹(RFFs)是由于硬件固有的缺陷而产生的,它们作为设备识别的独特特征。无线信道的位置和时间依赖性直接影响基于RFF的设备识别,在不同的信道条件下使得识别变得具有挑战性。这主要是因为包含RFF的训练和测试数据集可能在同一特征空间域内没有重叠。在这项工作中,提到的问题被

  摘要
射频指纹(RFFs)是由于硬件固有的缺陷而产生的,它们作为设备识别的独特特征。无线信道的位置和时间依赖性直接影响基于RFF的设备识别,在不同的信道条件下使得识别变得具有挑战性。这主要是因为包含RFF的训练和测试数据集可能在同一特征空间域内没有重叠。在这项工作中,提到的问题被视为一个领域适应问题。为此,我们提出使用基于三元组学习的领域对抗神经网络,并将其集成到一个名为TripletDANN的混合框架中。我们利用三元组损失,使网络能够专注于不同信道条件下的设备特定潜在表示,同时使用对抗损失来防止网络利用信道特定特性。为了实现这一目标,我们进行了数据聚合和信道标注。TripletDANN的泛化能力通过在两个不同地点收集的未见过的测试数据上进行了评估。以15个Wi-Fi设备的原始I/Q信号作为案例研究。所提出的TripletDANN模型在不同数据收集地点的平均设备分类准确率达到了88.52%。平均而言,TripletDANN的性能比其对应模型提高了5%。此外,还采用了数据增强来提高整体性能,在一个未见过的地点从实验中收集的测试数据上获得了最高96.71%的准确率。

1. 引言
射频(RF)指纹技术是一种技术概念验证,旨在通过基于设备的固有硬件缺陷(这些缺陷超出误差容忍规范)来实现物理层安全。这些缺陷会导致RF性能下降,例如I/Q(同相/正交)不平衡、相位和频率偏移、AM/PM转换以及直流偏移[1]。多年来,从原始I/Q信号中提取的特征一直被用作RF指纹网络的输入。传统上采用了从传输信号的瞬态部分提取的特征[2,3,4]。研究表明,在静态信道条件下,当训练和测试数据集在同一地点和同一天收集时,设备识别率是成功的。然而,如果测试数据集由未见过的数据组成,即测试和训练数据集经历不同的信道条件,RF指纹的识别性能(测试准确率)会降至几乎随机的水平[5,6]。这表明,用于RF指纹识别的训练模型学习的是信道特定特征而不是设备相关特征。因此,近年来,文献中开始关注对信道具有鲁棒性的RF指纹技术,或等效地特定发射器识别技术。为了克服信道对RF指纹的影响,文献中的实验通常包括以下几种情况:
- 训练数据集包含某一天的设备RFFs,而测试数据集包含不同天的RFFs。这种情况在文献中被称为“一天训练另一天测试”(TOTA)[6]。
- 训练数据集包含在单个固定的发射器-接收器位置收集的设备RFFs,而测试数据集包含在不同发射器或接收器位置收集的RFFs。

为了减轻无线信道条件对RFFs的影响,近年来的研究主要集中在波形修改、提取抗信道特征的数据增强、深度学习模型以及领域适应技术的使用上。下面总结了部分相关研究:
- 通过使用优化的有限脉冲响应(FIR)滤波器对Wi-Fi和ADS-B信号的波形进行了轻微修改,以克服信道效应问题[7]。
- Sankhe等人[8]故意在波形中添加了微小的I/Q不平衡修改,而没有显著降低数据比特错误率,并在动态信道中实现了超过99%的测试准确率。然而,没有明确说明测试数据是否为未见过的。
- Xing等人[9]从相邻前导OFDM符号的对数谱特征差异(即DoLoS)中提取特征,以实现抗信道RFFs。该研究显示,在七个接入点设备的交叉环境中测试准确率为97%。
- Shen等人[10]提出了与信道无关的频谱图特征,并将其输入到基于ResNet的卷积神经网络(CNN)中。他们报告称在不同测试地点区分30个LoRa设备的准确率超过90%。
- 另一种提出的RFF与对数微分谱相关,其训练数据是在有线连接下收集的[11]。在各种环境中,对于多种无线协议,实现的测试准确率超过了95%。
- 领域适应方法被研究用来补偿信道对RF指纹的影响。Wang等人[12]在训练设计的深度残差神经网络时使用了全局领域区分和局部领域类预测损失。他们报告称,对于20个ZigBee设备,各种特征的测试准确率超过了90%。交替对抗领域适应方法在15个不同天收集的20个FM无线电的时变测试数据集上显示出8%的性能提升[13]。
- 在最近的一项研究中,He等人[14]提出了多特征融合网络的对抗训练。他们使用在四个不同天收集的数据评估了六个Wi-Fi设备的分类准确率,达到了87.43%,即TOTA场景。
- 在[15]中,为了识别配置为传输LTE、5G和Wi-Fi信号的不同USRP设备,使用了带有三元组损失的深度学习模型进行训练,当训练和测试数据集在不同天形成时(TOTA场景),Wi-Fi波形的准确率达到92.97%。
- Gaskin等人[16]获得了LoRa的校准指纹,并通过三元组损失将测试领域适应到训练领域,实现了81%到93%的TOTA场景测试准确率。
- 另一种对比学习领域的适应技术被用来适应10个LoRa设备的频谱图和原始I/Q特征的两种领域潜在空间[17]。对于静态场景,频谱图在不同测试地点的准确率为94%,而原始I/Q样本在不同位置的测试准确率在60%到83%之间。

2. 信号提取和预处理
2.1. 802.11n传统信号结构
为了测试所提出网络的整体性能,使用了传统的IEEE 802.11n(非高吞吐量)Wi-Fi信号。这些信号由三个主要部分组成:瞬态、前导码和数据。在开机周期发射的瞬态信号可以用于设备识别,因为它们展示了发射器的独特非预期特征[4]。前导码部分使接收器能够执行某些操作,如时间同步、频率偏移补偿和信道均衡。该部分包括传统短训练字段(L-STF,2x OFDM符号)、传统长训练字段(L-LTF,2x OFDM符号)和传统信号字段(L-SIG,1x OFDM符号)。802.11n帧的数据部分包含服务、有效载荷(MAC层数据)、尾部和填充比特。
图1展示了捕获的802.11n传统帧的瞬态和前导码部分。由于L-SIG和数据部分包含与有效载荷相关的信息,因此它们不在本研究的范围内。换句话说,原始I/Q信号(包含瞬态、L-STF和L-LTF部分)被用作设计的RF指纹算法的输入。

2.2. 信号检测
对于瞬态信号检测,采用了恒定虚警率(CFAR)检测算法。CFAR检测器是Neyman–Pearson检测器的适应类型,用于估计噪声底限并保持虚警率在一个恒定水平[20]。对于所提出的CFAR检测器,如图2所示,滑动测试窗口位于测试样本的前端(也称为测试单元或候选样本),以检测瞬态起始点。参考窗口用于估计设置为阈值的本地噪声水平,而不会使用保护窗口内样本的瞬时能量。保护窗口可以防止由于测试样本的突然能量泄漏而导致的错误检测。

2.3. 预处理
传统802.11n前导码部分包括OFDM符号,其参考频率在传输和接收操作中应该是相同的。由于硬件(主时钟、本地振荡器等)的缺陷,可能会发生载波频率偏移(CFO),这可能导致发射器和接收器之间的频率不同步(不匹配)。未补偿的CFO可能导致多普勒效应和载波间干扰[24],从而降低RF指纹的识别性能。在提取了瞬态信号和前导部分之后,为了消除CFO(载波频率偏移)的影响,进行了粗略和精细的CFO补偿。为此,首先从前导部分中提取L-STF(链接状态字段)信号部分,并使用wlanCoarseCFOEstimate[25]函数进行粗略的载波频率偏移估计。该函数首先移除L-STF信号中两个OFDM符号的循环前缀。之后,从剩余信号与其延迟16个样本自相关结果中提取相位信息。最后,将对得到的值进行缩放,完成粗略的频率偏移估计。估计出的粗略频率偏移(Δ????)的抑制按照以下公式进行:
**????=??·??^(-2πΔ??????)** (7)
在下一步中,使用wlanSymbolTimingEstimate[26]函数微调数据包的开始时间。在这个函数中,对理论上预期的L-LTF(链接长度字段)信号和已接收信号进行互相关处理,同时抑制了粗略的频率偏移。根据这种相关结果确定L-LTF的开始时间,从而更新数据包的开始时间。随后,使用wlanFineCFOEstimate[27]函数获得精细的CFO估计值。从概念上讲,精细的频率偏移估计与粗略的频率偏移估计类似,不同之处在于这次仅使用L-LTF样本。估计出的精细频率偏移(Δ????)的抑制按照以下公式进行:
**????=??????(-2πΔ??????)** (8)
除了CFO补偿之外,每捕获一帧数据还会应用功率归一化处理,以消除由于功率波动导致的设备间干扰[28,29]。归一化后的波形表示为**?????????? = ??√(1/N∑_{n=0}||???||2)**(9)
为了简化表示,在后续章节中将功率归一化后的接收信号表示为x。

3. 分类器结构
由于使用的是原始的I/Q样本作为RFF(接收信号样本),因此分类器结构必须适应复数值的处理。在这项工作中,分类器网络基于复数卷积层和激活单元进行配置。首先评估卷积神经网络(CNN)模型以建立监督基线。然后,通过采用对抗性损失和三元组损失来明确分离设备特定特征和信道依赖特征。

3.1 复数值卷积神经网络
在这项研究中,使用了一维复数值卷积神经网络(CVCNN)来更好地提取局部特征。通常,原始的I/Q样本作为实部(同相)和虚部(正交)两部分输入网络。然而,在这种情况下,网络内的卷积和激活操作分别应用于实部和虚部。所设计的CVCNN提供复数卷积操作和复数激活函数,这些操作直接应用于单个通道中的原始I/Q样本。CVCNN的架构结构如图3所示。图3展示了所提出的二维复数值CNN。ComplexConv1D是一个复数卷积层,其中包含具有响应?[n]的核(滤波器)。假设接收并预处理后的I/Q信号为??[n],则??[n]和?[n]的复数卷积可以表示为:
**??[n]=∑_{k}??[n-k]?[k]** (10)
其中※表示卷积操作,n是计算中输出样本的索引,k表示核的长度。
此外,在CVCNN网络中还使用了modReLU激活层。该激活函数的公式如下:
**??[??]=????(|??|+??)·??|??|** (11)
其中??∈??是一个非线性偏置参数。因此,激活函数在保持复数数据相位的同时应用了一个幅度阈值[30]。标准的具有两个通道(I和Q)的CNN结构可能无法保留接收信号的相位信息[31,32]。

3.2 TripletDANN和损失函数
在这项工作中,复数值卷积神经网络主要用作从原始I/Q样本中提取特征的自主工具。特征提取后,潜在空间特征向量被输入到设备头和信道头中,这些部分由多层感知器(MLPs)组成。设备头和信道头根据设备和信道标签产生softmax输出。为了提高模型的鲁棒性,采用了与领域对抗神经网络(DANNs)类似的对抗性损失。这种类型的网络通常用于适应不同领域的特征空间[33]。除了对抗性损失外,还结合了三元组损失以进一步增强模型对信道变化的抵抗力。因此,引入了如图4所示的TripletDANN架构。该图还展示了损失函数的计算过程和反向传播过程中的梯度流。图4展示了提出的TripletDANN架构。TripletDANN包括一个特征提取器、一个设备头和一个信道头。特征提取器结构为CVCNN,没有输出层,输出潜在空间向量z,然后将其输入到信道头和设备头中。设备头的设计用于识别设备,它由一个全连接层(64 → ????????:15)组成,从学习到的潜在嵌入中产生设备logits。在训练循环中,从设备头的softmax输出计算交叉熵损失(????)。
同样,信道头也被配置为一个全连接神经网络,根据分配的信道标签对设备信道进行分类。信道头包括批量归一化后跟随的两层多层感知器(64 → 256 → ?????),产生信道logits。信道头的损失函数使用交叉熵损失。

除了设备头和信道头的交叉熵损失外,还从潜在特征中计算三元组损失并加入到总损失函数中。三元组是通过在整个数据集上采样而不是批量采样生成的。每个三元组是通过从整个数据集中独立抽取一个锚点样本、一个正样本和一个负样本来创建的,然后将这些独立采样的三元组组合成批次。使用相对较大的批次大小(512)来保持锚点、正样本和负样本的比例平衡。没有采用硬负样本挖掘策略。锚点集合包含训练数据集中每个设备和信道标签的数据。正样本子集由来自同一设备不同信道的数据样本组成,而负样本子集包含来自不同设备的数据样本。例如,在一个批次中,锚点样本可能来自设备#01、信道#02的数据,而正样本可能来自设备#01、信道#05的数据,负样本可能来自设备#04、信道#02的数据。通过输入三元组数据集,网络被强制关注设备特定的潜在特征,确保这些特征在不同信道上通用。使用?2范数从潜在特征中计算三元组损失:
**?trip=?∑_{i}∥??????????????????∥22?∥??????????????∥22+??** (12)
其中???????、????????和??????分别来自锚点集、正样本子集和负样本子集[15,16]。允许参数??确保潜在空间中???????和????????之间的距离至少比???????和??????之间的距离小??[34]。因此,潜在空间中的???????被推向????????而不是??????。训练从前向传播开始:特征提取器生成潜在向量z,然后将其输入到设备头和信道头中。三元组损失基于锚点潜在嵌入与正样本和负样本潜在特征之间的距离来计算,而交叉熵损失基于信道和设备的预测来计算。然后,总损失函数计算如下:
**?=℅_devCE+℅_chCE+℅_t??????·?trip** (13)
其中℅_devCE、℅_chCE和℅_t??????是相应损失的权重系数。所有超参数,包括损失权重系数和三元组间隔,都是通过基于大量初步实验的经验调整确定的。通过验证性能作为主要标准评估了多种配置,以确保稳定的收敛性和竞争性损失组分的平衡贡献。最终确定的值℅_dev =1.0、℅_ch =0.5、℅_trip =1.0和三元组间隔?? =1接近最优设置,超过这些配置后没有观察到显著的性能提升。

在TripletDANN的反向传播过程中,更新信道头和设备头的参数以最小化各自的损失?chanCE和?devCE。相反,使用?devCE、?trip的梯度以及?chanCE的反向和缩放梯度来优化特征提取器的参数。这种梯度反转是通过梯度反转层(GRL)执行的,该层最初在[35]中提出。GRL在前向传播期间作为恒等映射,而在反向传播期间通过反转和缩放信道分类损失的梯度来实现对抗性训练。数学上,特征提取器的GRL操作可以定义为:
**GRL??[??]=?{ {?{ {???, forwardpropagation,???????????????????, backwardpropagation}** (14)
其中?????是GRL的权重。Ganin提出了一种????的调度方案,即从第1个epoch到第5个epoch保持为零,之后逐渐增加到1[35]:
**??????(?????????)=?{ {?{ {?0, epoch≤5,21+??^(-10)(??????????5)(??????????#??????????5)?1, epoch>5)** (15)
或者,另一种调度方案称为逐步减少。在训练结束时将????设置为0.4:
**????(?????????)=?{ {?{ {?0, epoch≤5,1?0.6??^(-10??????????5??????????#??????????5, epoch>5)** (16)**
图4中的红色虚线表示TripletDANN训练期间计算的梯度流程图。在训练阶段,设备MAC地址用作设备头的标签,而分配的信道标签用于获取三元组数据集并监督信道头。在评估阶段不包括信道标签。

4. 实验设置
要识别的设备是符合IEEE 802.11n旧模式的Wi-Fi适配器。总共有15个Wi-Fi设备(13个TP-Link Wireless USB适配器和2个Realtek 8811CU Wireless LAN 802.11ac USB NIC)。接入点与无线设备建立连接,使设备能够发送Wi-Fi信号。使用配备了UBX-40 RF子板的USRP N210软件定义无线电作为接收器,如图5所示。图5显示了发送Wi-Fi设备和接收器。Wi-Fi信号的采样率为20 MSa/s。解调后,捕获的Wi-Fi数据包根据其MAC地址保存和标记。图6展示了实验设置,其中发送器和接收器相距约3米。实验中,发送设备放置在一个固定位置或多个固定位置,而接收器放置在不同的位置。实验在静态环境条件下进行,不同的日子里重复进行。保持发送器与接收器之间大约3米的距离以确保远场条件。数据在相隔30厘米的接收器位置收集,发送器和接收器都放置在1米高的桌子上。尽管实验室中存在许多散射物体,但传播环境主要是视距(LOS)的。在某些情况下,发送器的天线可能会部分遮挡其他发送器的直接视距路径。对于每个设备,在不到3分钟的时间内收集了1000个Wi-Fi数据包。

实验考虑了两种数据收集场景:SL(单位置)和ML(多位置)。在SL场景中,发送器放置在一个固定位置;而在ML场景中,它们分布在多个不同的固定位置。ML场景中收集的数据被认为是更真实和更具挑战性的,因为实际中TX设备可能分布在不同的位置。对于每种场景,接收器放置在不同的位置。数据收集场景分别如图7和图8所示。图7表示SL数据收集场景,图8表示ML数据收集场景。在SL场景中,发送器放置在一个固定位置,而在捕获所有发送器(TX #1–#15)的1000个数据包后,接收器位置会改变。根据接收器的位置对数据进行信道标记。例如,在接收器位置A收集的数据被标记为通道A(Ch A)。同样,在接收器位置B收集的数据被标记为通道B(Ch B),后续接收器位置的数据也相应地进行了标记。在场景ML中,发射器被放置在多个不同的位置。一旦捕获了所有发射器的数据包,接收器位置就会改变,就像在场景SL中一样。数据标记是根据发射器和接收器的位置来进行的。例如,在接收器位置A,每个发射器的数据都被单独分配了通道标签,即Ch A01到Ch A15。后续接收器位置的数据也以相同的方式标记。因此,三元组数据集的正子集被修改以实现细粒度的监督。表1展示了两个接收器位置的通道标记示例。表1. 训练中应用的通道标记。

5. 训练策略
TripletDANN通过利用三元组损失和对抗性训练来提高通道的鲁棒性,这是通过聚合至少具有两种不同通道标签的数据来实现的。这是因为从单个RX位置收集的数据可能无法为特征提取器提供足够的通道特定数据的表示,因此网络可能无法将通道特定特征和设备特定特征区分开来。采用了两种不同的数据扩展方法:第一种是聚合来自不同接收器位置的数据,第二种是应用数据增强技术。数据聚合是通过结合每个设备的来自不同通道的观测值来执行的。为此目的,每个设备至少从两个不同的RX位置收集800个观测值用于训练数据集,而200个观测值用于验证数据集。当从多个接收器位置收集数据不可行或不现实时,可以结合数据增强使用TripletDANN。这可以通过通道模拟来实现泛化。在本研究中,从单个接收器位置在静态通道条件下收集的数据(即,在数据收集期间通道条件略有变化)通过合成数据进行了增强。数据增强过程如下:数据是从接收器的固定位置收集的。测量是在视线条件下进行的[10]。由于实验室环境对应于一个大型办公室场景,因此可以适当地使用TGn Model-C,如[36]中所述。因此,随机生成了带有Model-C的TGn通道,并存储了这些通道[37]。收集的信号通过存储的通道传递。对于场景SL,所有设备的观测值都通过相同的通道传递。对于场景ML,每个设备的观测值通过不同的通道传递。进行了瞬态检测,并将延迟样本循环移动,使它们与原始信号对齐。增强后的数据被保存,并根据场景类型分配了通道标签。

6. 结果与分析
在本节中,我们将展示实验分析和结果。为了测试,在未见过的位置为每个设备收集了1000个样本。报告的测试结果是通过使用五折交叉验证训练模型并平均各折叠的结果获得的。我们定义了两种测试场景,即相同场景评估和跨场景评估。相同场景评估意味着训练和测试数据集是在相同的数据收集场景下形成的,即在SL中训练,在SL中测试或在ML中训练,在ML中测试(????? →????? 或 ????? →?????)。跨场景评估对应于在不同数据收集场景下形成的训练和测试数据集,即在SL中训练,在ML中测试或在ML中训练,在SL中测试(????? →????? 或 ????? →?????)。为了可视化通道特性,图9展示了从收集的数据中得到的样本通道估计。通道估计显示,随着TX–RX几何形状的变化,通道通常表现出中等程度的变化。可以观察到位置和场景依赖的行为以及偶尔的准静态行为。图9. 不同位置和数据收集场景下设备#14的通道估计。

6.1. 用于数据聚合的RX位置数量的影响
在评估TripletDANN模型之前,首先分析了每个场景内不同通道的数据聚合情况,如图10所示。显然,当CVCNN在没有数据聚合的情况下(即仅使用一个通道的数据)在ML设置中训练时,它在相同场景和跨场景评估中的表现都很差。在SL场景中训练网络可以提高测试准确率,特别是不需要依赖数据聚合的情况下。可以推断,所有设备收集的数据中的通道效应往往非常相似。此外,注意,增加来自不同通道的聚合数据会饱和泛化能力,尤其是在ML场景中。然而,总体而言,数据聚合提高了所有场景的识别性能。这一观察结果表明,所提出的TripletDANN采用的数据聚合方法可以在相同场景和跨场景测试中提高性能。此外,我们使用基于三元组和对抗性损失的白化技术来增强即使是在数据集数量有限的情况下的通道鲁棒性。图10. CVCNN测试准确率与聚合通道数量的关系。

6.2. 对比方法
所提出的TripletDANN模型的性能与其他三种使用原始I/Q数据的模型进行了评估:CVCNN、DANN和TripletCNN。为了公平比较,所有模型都使用相同的批量大小512和相同的训练周期数35进行训练,与TripletDANN相同。使用学习率为0.001的AdamW优化器来训练模型。CVCNN是基线模型,仅由特征提取器和设备头部组成。使用Ganin调度策略[35]训练的标准DANN模型对应于具有额外通道头部的CVCNN架构。TripletCNN是省略了通道头部并依赖三元组损失的网络。此外,为了直接比较所提出的方法和基于特征的技术,我们采用了在[10]中描述的通道独立频谱图(CIS)方法。尽管这个特征最初是为LoRa协议开发的,但我们将其核心原理应用于Wi-Fi协议。为此,我们对原始I/Q信号的前导码段计算了短时傅里叶变换(STFT),使用64个样本的窗口长度(等同于FFT大小)和连续窗口之间的0.75重叠比。之后通过????????=20?????????10?|???(??,??)||???(??,???1)|得到CIS(17),其中f表示频率箱,w表示频谱图的窗口箱数量。CIS矩阵的维度为64 ×16。然后,我们形成了一个具有与CVCNN相同层数和滤波器数量的2D实值CNN,但由于CIS列的大小较小,我们将核大小从7改为3。所提出模型和比较方法在表2中进行了总结。表2. 模型总结和训练损失。

6.3. 在数据聚合下的性能比较
为了比较TripletDANN与表2中给出的网络之间的性能,我们聚合了在SL和ML场景中来自不同RX位置的数据集。首先,我们评估了网络在SL数据收集场景中不同RX位置的性能。为此,我们将来自接收器位置D和E收集的数据进行了合并。使用下降-ramp(RD)和Ganin调度(见第3节)训练的Triplet DANN与其他模型在同一场景和跨场景评估中的性能进行了比较。在同一场景评估(????? →?????)中,TripletDANN和TripletCNN的表现优于标准DANN和CVCNN,平均测试准确率约为85%,如图11所示。CIS特征在同一场景评估中表现最佳。此外,误差条显示了各折叠间准确率的变化,对应于一个标准差。在跨场景评估(????? →?????)中,TripletDANN的平均测试准确率为约78%,最高测试准确率为85.39%,如图12所示。CIS特征与CNN2D网络的识别性能显著下降,平均准确率为36.5%。图11. 在未见过的通道中的识别结果—训练:SL,测试:SL(相同场景)。图12. 在未见过的通道中的识别结果—训练:SL,测试:ML(跨场景)。其次,我们研究了网络在ML数据收集场景中的设备分类性能。网络训练使用了在ML设置中从B、C和K通道收集的数据聚合的数据集。在图13中,使用下降-ramp调度的TripletDANN在同一场景评估(????? →?????)中显示出最高的平均准确率88.52%。基于特征的CIS方法在平均分类准确率上表现最好,优于原始I/Q信号驱动的网络。在跨场景测试(????? →?????)中,使用下降-ramp调度的TripletDANN再次实现了最高的平均准确率,达到了88.88%,如图14所示。TripletDANN在Ch B数据上的平均提升约为5%,比TripletCNN高出14%。CIS方法的平均准确率在所有跨场景评估方法中最低。图13. 不同通道中的识别结果—训练:ML,测试:ML(相同场景)。图14. 不见过的通道中的识别结果—训练:ML,测试:SL(跨场景)。为了进一步了解所提出方法的通道鲁棒性,采用了CVCNN作为参考模型,因为它没有包含任何专用的通道鲁棒性机制。CVCNN在不同RX位置的准确率有所不同。这表明,在相同场景评估下,当测试通道条件与训练期间观察到的条件相对相似时(例如,ML→ML,位置G和I),CVCNN可以达到合理的准确率。然而,当这种相似性降低时(例如,ML→ML,位置D和E),CVCNN的性能显著下降。相比之下,在相同条件下,TripletDANN的表现比CVCNN高出多达33.74%(见图13)。因此,结果表明,所提出的方法在TX–RX几何形状变化引起的通道变化下仍能保持稳健的性能。总体而言,所提出的TripletDANN方法在所有评估的测试场景中都表现出一致的强大识别性能。在同一场景评估中,它通常比基于原始I/Q输入的方法具有更高的准确率,而其性能与基于特征的方法相当,尽管有轻微的性能差距。在跨场景评估中,TripletDANN的表现优于所有比较方法,显示出强大的泛化能力。此外,误差条表明所提出的方法在所有评估场景中都能保持一致的性能。标准差值通常与比较方法的可比,除了在同一场景评估的情况下,CIS显示出较低的可变性。

文献经常讨论计算复杂性、网络参数的大小和推理效率[38,39]。对于表2中给出的所有方法,计算性能分析在表3中进行了展示。所有模型都在NVIDIA GeForce RTX 3050 Ti GPU上使用CUDA 12.8进行了训练和测试。表3表明,与使用原始I/Q输入的模型相比,TripletDANN引入的计算成本可以忽略不计。尽管CIS + CNN2D显示出较低的延迟,但请注意,CIS提取不包括在计算时间中(即STFT计算和除法操作)。

6.4. 带有数据增强的TripletDANN
在本节中,评估了数据增强对TripletDANN模型的影响。分别对SL和ML数据收集场景进行了数据增强。为此,将SL场景下在Ch E收集的数据通过20个独立生成的TGn Model-C通道实现进行了处理。相同场景测试(????? →?????)的实验结果在表4中报告。 achieving的平均和最高准确率分别为92.37%和94.49%。对于ML数据收集场景中的训练,每个设备使用了20个随机生成的TGn通道进行数据增强。ML场景中的通道K用每个设备指定的通道进行了增强。相同场景评估(????? →?????)的实验结果在表5中。TripletDANN的平均准确率为93.33%,而通过下降-ramp调度再次实现了最高的测试准确率96.71%。在同一场景的评估中,与数据聚合相比,数据增强可以将平均测试准确率提高多达7%(见图11和图13)。表4:未见过通道中的设备识别率——训练:SL,测试:SL(相同场景)。表5:未见过通道中的设备识别率——训练:ML,测试:ML(相同场景)。数据增强对识别性能的影响也在跨场景测试中进行了评估。使用增强的Ch E-SL数据集进行训练时,跨场景评估(????? →?????)的结果如表6所示。采用Ganin调度策略的TripletDANN实现了89.79%的平均识别性能。使用Ch K-ML增强数据集进行训练时,跨场景评估(????? →?????)的结果见表7。TripletDANN–Ganin在不同通道上的平均测试准确率为84.61%,其中H位置的RX通道准确率最高,为88.94%。与数据聚合相比,数据增强在跨场景评估中平均性能提高了11%(见图12和图14)。表6:未见过通道中的设备识别率——训练:SL,测试:ML(跨场景)。表7:未见过通道中的设备识别率——训练:ML,测试:SL(跨场景)。为了清晰起见,提出的TripletDANN模型的结果总结在表8中。表格中的“最高”值表示每次评估在所有数据收集位置所达到的最大准确率。“平均”值对应于该评估在所有数据收集位置计算的平均准确率。报告的值对应于实现最佳性能的调度策略(Ganin或渐减)。表8:提出的TripletDANN的识别性能总结。研究结果表明,当数据增强不可行时,建议的渐减调度策略通常对对抗性训练有效,并且相比Ganin调度策略具有轻微的优势。在同一场景评估中获得的最高准确率值的混淆矩阵分别展示在图15和图16中。考虑到实验中使用的TX设备的类型和数量,混淆矩阵表明在未见过的数据上设备分类性能是有希望的。图15:在SL场景下训练(Ch E增加了20个通道)后的混淆矩阵——在SL场景的Ch B中进行测试。图16:在ML场景下训练(Ch K每个设备增加了20个通道)后的混淆矩阵——在ML场景的Ch D中进行测试。此外,为了直观解释潜在特征,还生成了二维t分布随机邻居嵌入(t-SNE)图。参考图15和图16,相应的t-SNE图分别展示在图17和图18中。显然,属于设备特定潜在特征的嵌入是可以区分的。图17:SL场景下Ch B测试数据集的t-SNE可视化。图18:ML场景下Ch D测试数据集的t-SNE可视化。7. 结论在本文中,设备识别是使用基于原始I/Q数据的通道鲁棒RF指纹来完成的。提出的TripletDANN利用了三元组和对抗性损失。为此,除了设备标签外,还使用了标准和细粒度的通道标签来提高在未见过通道条件下的测试准确率。在这项工作中,通道标签是根据接收器/发射器的位置确定的,并没有涵盖时间/频率多样性或快速衰落。使用来自15个Wi-Fi发射器的传统802.11n信号作为案例研究。在同一和跨评估案例中,研究了两种不同的数据收集情况:单个TX位置和多个TX位置。数据聚合被用来从不同通道获取更多数据,以便使用三元组数据集和领域对抗性损失。对于这两种数据收集情况的相同评估案例,提出的TripletDANN在所有未见过通道上的平均设备分类准确率约为85-88%。在跨评估案例中,TripletDANN的表现比其对应模型高出多达5%。数据增强也被用来增强来自不同通道的数据集,从而在同一场景评估中的平均分类准确率为91.82-93.30%,在跨场景评估中为84.16-89.79%。另一个需要提到的是,如果数据增强或聚合不可行,则建议使用放置在单个位置的发射器收集的数据来训练网络。在未来的工作中,将在包括动态通道和非视距场景的实验中评估TripletDANN的性能。此外,还将系统地研究三元组采样策略以及其他对比学习范式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号