DeepCRF: Deep Learning-Enhanced CSI-Based RF Fingerprinting for Channel-Resilient WiFi Device Identification
DeepCRF利用深度学习从CSI中提取微信号进行射频指纹识别,通过CNN、数据增强和对比学习,在NLoS和未见信道下实现99.53%的识别准确率,优于现有方法。
2024-11-11 eess.SP
On the Use of Power Amplifier Nonlinearity Quotient to Improve Radio Frequency Fingerprint Identification in Time-Varying Channels
针对时变信道导致射频指纹失真和分类准确率低的问题,提出PA非线性商与迁移学习分类器,设计环境鲁棒的RFFI方法,使室内外设备分类准确率分别提升33.3%和34.5%。
2023-02-27 eess.SP
FID: Function Modeling-based Data-Independent and Channel-Robust Physical-Layer Identification
可信识别对于保护IoT设备至关重要。然而,低端物联网设备有限的内存和计算能力阻止了传统识别系统的直接使用。RF指纹识别是一种很有前途的技术,可以识别低端物联网设备,因为它只需要大多数物联网设备可以产生的RF信号进行通信。然而,大多数现有的RF指纹识别系统是数据相关的和/或对来自无线信道的影响不鲁棒。为了解决上述问题,我们建议利用物理层过程的数学表达式,作为一个功能$\mathbf{\mathcal{F}(\cdot)}$,设备识别。$\mathbf{\mathcal{F}(\cdot)}$是不能直接推导的,所以我们进一步提出了一个模型来学习它,并采用这个功能模型作为我们的系统中的设备指纹,即$\mathcal{F}$ ID。我们提出的功能模型的特点是唯一的物理层处理的设备是独立的传输数据,因此,我们的系统$\mathcal{F}$ ID是数据无关的,从而对信号重放攻击的弹性。建模并进一步从功能模型中分离通道效应使得$\mathcal{F}$ ID通道稳健。我们对不同环境和场景下$33$不同设备上的数千个随机信号包进行了$\mathcal{F}$ ID评估,总体识别准确率超过$99\%$。
2019-01-17 cs.CR eess.SP
Identification of The Number of Wireless Channel Taps Using Deep Neural Networks
在无线通信系统中,识别信道抽头的数量提供了对信道脉冲响应(CIR)的增强估计。在这项工作中,通过深度神经网络(DNN)实现了无线信道抽头数量的有效识别,我们修改了现有的DNN,并仅使用无线系统的发送和接收信号分析了其收敛性能。显示的结果表明,采用DNN实现优越的性能,在识别信道抽头的数量相比,现有的算法称为频谱加权识别的信号源(SWISS)。
2020-10-20 eess.SP
Deep Learning Based Transmitter Identification using Power Amplifier Nonlinearity
不同发射机的RF前端的缺陷可以用来区分它们。这个过程称为使用RF指纹的发射机识别。RF前端的功率放大器中的非线性是RF指纹差异的重要原因,这使得能够识别发射机。在这项工作中,我们使用深度学习来识别不同的发射机,使用它们的非线性特征。通过开发一个非线性模型生成器的基础上广泛的测量,我们能够扩展的发射机识别的评估,包括大量的发射机超出了文献中存在的。我们还能够研究发射机可变性对识别准确性的影响。此外,还考虑了许多其他因素,包括调制类型、用于识别的数据长度以及在实际信道模型下传输的数据类型是相同还是随机。模拟结果与实验证实了类似的趋势。
2018-11-12 eess.SP
Low-Cost Device-Free Material and Obstruction Identification in IoT Systems Using Commodity Bluetooth Low Energy RSSI
Banasthali Vidyapith(班纳萨利大学);MMMUT(莫蒂拉爾莫特伊理工大學);MNNIT Allahabad(安拉阿巴德國立工學院)
本文利用商用BLE RSSI,通过Nordic nRF5340开发套件设计轻量级阈值分类器,实现低成本无设备的物联网系统材料与障碍物识别,验证了粗粒度材料识别的可行性。
2026-08-03 eess.SP
Towards Efficient Device Identification in Massive Random Access: A Multi-stage Approach
针对海量机器类通信中激活设备识别的时延与可靠性挑战,提出带反馈的多阶段非相干识别框架,结合置信传播实现,理论量化最小信道开销,仿真验证其性能优于单阶段方案。
2024-04-13 cs.IT eess.SP math.IT
Identification of Distorted RF Components via Deep Multi-Task Learning
高质量的射频(RF)元件对于高效的无线通信是必不可少的。然而,这些组件可能会随着时间的推移而退化,需要进行识别,以便更换它们或补偿它们的影响。通过观察和分析星座图可以识别这些成分。然而,在存在多个失真的情况下,隔离和识别造成降级的RF组件是非常具有挑战性的。本文重点介绍了失真射频元件识别的难点及其重要性。此外,提出了一种深度多任务学习算法来识别具有挑战性的场景中的失真组件。大量的仿真结果表明,该算法可以自动检测多个失真的RF组件在不同的场景下,具有较高的精度。
2022-07-04 eess.SP
Towards Robust RF Fingerprint Identification Using Spectral Regrowth and Carrier Frequency Offset
针对射频指纹识别受信道效应干扰的问题,提出基于频谱再生的信道鲁棒表征、CFO辅助深度学习推理及多天线协同识别方案,实测验证其在信道变化和5个月跨度下准确率达92.76%,优于现有方法。
2024-12-11 eess.SP
A Robust Anti-noise Scheme for RF Fingerprint Identification
针对物联网设备射频指纹识别在低信噪比下精度下降的问题,提出基于平方互功率谱密度特征的抗噪声方案,结合随机子空间k近邻分类器,在SNR不低于5 dB时精度提升约46%。
2024-12-18 eess.SP
Non-Coherent Active Device Identification for Massive Random Access
大规模机器类型通信(mMTC)是当前一代无线网络中的关键服务类别,其特征在于具有极高密度的能量和资源有限的设备,具有稀疏和零星的活动模式。为了在这样的mMTC网络中实现随机接入,基站需要在严格的接入延迟约束内操作的同时识别活动设备。本文提出了一种能量有效的有源设备识别协议,该协议中有源设备联合发送开关键控(OOK)调制信号,基站采用非相干能量检测,避免了信道估计开销。由活动用户识别协议所需的信道使用的最小数量的特征在于当活动设备$k$的数量缩放为$k=Θ(1)$时设备总数$\ell$的渐近状态以及依赖于活动检测到组测试问题的等价性的可扩展性方案。基于置信传播(BP)和组合正交匹配追踪(COMP),提出了几种实用的方案。仿真结果表明,BP算法的性能明显优于COMP算法,并且能够在理论上接近于可扩展性界限。在部分恢复的情况下,几乎不允许出现误判,英国石油公司继续表现良好。
2023-03-11 cs.IT eess.SP math.IT
Contrastive Learning-based User Identification with Limited Data on Smart Textiles
University of Science and Technology of China(中国科学技术大学)
针对压敏智能纺织品跨设备身份识别需大量设备专属数据的问题,提出基于双分支监督对比学习的方法,仅需少量姿势数据即可实现跨设备用户识别,准确率优于基线模型。
2024-09-06 cs.LG eess.SP
Cross-channel Specific Emitter Identification and Verification via Signal Envelope
College of Electronic Science and Technology, National University of Defense Technology(国防科技大学电子科学学院)
针对无线衰落信道导致发射机识别与验证性能下降的问题,提出基于信号包络的自适应特征调制方法,通过双分支神经网络提取设备特征和信道条件特征,并利用马氏距离度量学习实现跨信道识别与验证。
2026-06-27 eess.SP
Identification of medical devices using machine learning on distribution feeder data for informing power outage response
University of Edinburgh(爱丁堡大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Stanford University(斯坦福大学);Yale University(耶鲁大学)
在过去的二十年里,由于气候变化导致的极端天气事件造成的停电在美国翻了一番。停电对依赖家庭医疗设备的440多万人构成严重的健康风险。有关居住在特定地区的此类个人数量的数据有限。本研究提出一个负载分解模型来预测配电馈线后面的医疗设备数量。这些数据可用于规划和响应。拟议的解决方案是适应气候变化的一项措施。
2022-11-15 cs.LG eess.SP
MobRFFI: Non-cooperative Device Re-identification for Mobility Intelligence
Florida Atlantic University(佛罗里达大西洋大学);The Institute for Sensing And Embedded Network Systems Engineering(感知与嵌入式网络系统工程研究所)
MobRFFI是一个基于AI的WiFi设备指纹识别与重识别框架,利用深度学习模型提取芯片组硬件损伤特征,在多日和单日场景中实现高准确率,并通过多接收器指纹组合进一步提升性能。
2025-03-04 cs.AI cs.LG cs.NI
Deep Learning Methods for Device Identification Using Symbols Trace Plot
本文提出基于密度轨迹图(DTP)的射频指纹发射机认证方法,利用IQ不平衡特征从符号轨迹中提取设备指纹,并通过三种深度学习分类器在ADALM-PLUTO SDR数据集上验证可行性。
2024-02-12 eess.IV eess.SP
Radio Frequency Fingerprint Identification Based on Denoising Autoencoders
射频指纹(RFF)是用于提高物联网(IoT)安全性的有前途的被动认证方法之一。然而,随着低功耗物联网设备的激增,提高低信噪比场景下的识别精度变得势在必行。为了解决这个问题,本文提出了一种通用的基于去噪自动编码器(DAE)的深度学习RFF技术模型。此外,设计了一种部分堆叠的方法,以适当地结合半稳态和稳态RFF的ZigBee设备。所提出的基于部分堆叠的卷积DAE(PSC-DAE)旨在重构高SNR信号以及设备识别。实验结果表明,与卷积神经网络(CNN)相比,PSCDAE在低信噪比(-10 dB ~ 5 dB)下,在加性高斯白噪声(AWGN)信道下的识别精度提高了14%~ 23.5%.即使在信噪比为10 dB时,识别精度也高达97.5%。
2019-07-20 cs.CR eess.SP
Zero-Bias Deep Learning for Accurate Identification of Internet of Things (IoT) Devices
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);Department of Electrical Engineering and Computer Science, Embry-Riddle Aeronautical University(安柏瑞德航空大学电气工程与计算机科学系)
物联网(IoT)提供了否则不可能实现的应用和服务。然而,物联网的开放性使其容易受到网络安全威胁。特别是身份欺骗攻击,其中对手被动地侦听现有的无线电通信,然后模仿合法设备的身份来进行恶意活动。现有的解决方案采用密码签名来验证接收到的信息的可信度。在流行的物联网中,用于加密的秘密密钥可能会被公开并禁用验证机制。需要非加密设备验证来确保可信赖的物联网。在本文中,我们提出了一个增强的深度学习框架,用于使用物理层信号进行物联网设备识别。具体来说,我们使我们的框架能够报告看不见的物联网设备,并将零偏置层引入深度神经网络,以提高鲁棒性和可解释性。我们已经使用来自ADS-B(自动相关监视广播)的真实数据评估了拟议框架的有效性,ADS-B是物联网在航空领域的应用。所提出的框架有可能应用于各种物联网应用和服务中的物联网设备的准确识别。代码和数据可在IEEE数据端口中获得。
2020-08-27 cs.LG eess.SP
Adversarial Attacks on LoRa Device Identification and Rogue Signal Detection with Deep Learning
Virginia Tech(弗吉尼亚理工大学)
本文研究LoRa设备识别与恶意信号检测中的深度学习模型,并评估基于FGSM的对抗攻击对其性能的影响,揭示攻击的可迁移性漏洞,强调物联网应用需增强对抗鲁棒性。
2023-12-27 cs.AI cs.CR cs.LG
Deep Residual Shrinkage Networks for EMG-based Gesture Identification
School of Physical Science and Technology, Lanzhou University(兰州大学物理科学与技术学院);School of Advanced Technology, Xi'an Jiaotong-Liverpool University(西交利物浦大学先进技术学院);Chongqing Jiangbei Bachuan Quantum Middle School(重庆江北巴川量子中学);School of Chengdu Shishi Cambridge A-Level Centre(成都石室剑桥高级课程中心)
介绍了一种基于肌电信号的高精度手势识别方法。一种新开发的深度学习方法,即深度残差收缩网络被应用于执行手势识别。根据手势产生的肌电信号的特点,对识别算法进行了优化,提高了识别精度。最后,采用三种不同的算法比较了肌电信号识别与DRSN识别的准确性。结果表明,DRSN在肌电信号识别准确率方面优于传统神经网络。本文为肌电信号的分类提供了一种可靠的方法,并探讨了DRSN的可能应用。
2022-09-02 cs.LG eess.SP
Deep Neural Network Aided Scenario Identification in Wireless Multi-path Fading Channels
School of Electronic Science(电子科学学院);National University of Defense Technology(国防科技大学)
这封信阐述了我们在无线多径衰落信道中用于无线通信场景识别的深度神经网络(DNN)方面的初步工作。在这封信中,六种渠道情景参考COST 207渠道模型已经完成。在信噪比大于20 dB的情况下,识别准确率为100%,而在信噪比为0 ~ 40 dB的情况下,平均识别准确率为88.4%。该方法在快时变条件下进行了测试,这与现实世界中的无线多径衰落信道相似,使其能够在实际场景识别的可行性。
2018-11-23 cs.LG eess.SP
Bluetooth Fingerprint Identification Under Domain Shift Through Transient Phase Derivative
School of Electrical Engineering and Computer Science, Oregon State University(俄勒冈州立大学电气与计算机工程学院)
本文针对低功耗蓝牙设备因跳频特性在射频指纹识别中面临的域变化挑战,首次探讨跳频效应并提出一种低成本域自适应特征提取方法,显著提升了跨环境和跨接收器的分类准确率。
2025-10-11 cs.CR eess.SP
IoT Device Identification Using Deep Learning
Ben-Gurion University(本·古里安大学)
物联网设备在组织中的使用越来越多,由于设备的安全性较低,攻击者可用的攻击向量数量增加。广泛采用的自带设备(BYOD)策略允许员工将任何物联网设备带入工作场所并将其连接到组织的网络,这也增加了攻击的风险。为了解决这一威胁,组织通常实施安全策略,其中只允许连接白名单上的物联网设备。为了监控这些策略的遵守情况并保护其网络,组织必须能够识别连接到其网络的物联网设备,更具体地说,识别未在白名单上的连接物联网设备(未知设备)。在这项研究中,我们将深度学习应用于网络流量,以自动识别连接到网络的物联网设备。与以前的工作相比,我们的方法不需要在网络流量上应用复杂的特征工程,因为我们使用从物联网设备网络流量有效载荷构建的小图像来表示物联网设备的通信行为。在我们的实验中,我们在公开的数据集上训练了一个多类分类器,成功识别了10个不同的物联网设备以及智能手机和计算机的流量,准确率超过99%。我们还训练了多类分类器来检测连接到网络的未经授权的物联网设备,总体平均检测准确率超过99%。
2020-02-25 cs.CR cs.LG cs.NI
Joint Device Identification, Channel Estimation, and Signal Detection for LEO Satellite-Enabled Random Access
本文针对低轨卫星无授权随机接入,提出一种基于OTFS-MIMO的三模块迭代接收机,联合实现设备识别、信道估计与信号检测,并利用三维块稀疏先验提升性能。
2023-08-07 cs.IT eess.SP math.IT
Identification and Correction of False Data Injection Attacks against AC State Estimation using Deep Learning
最近的文献提出了各种检测和识别FDIA的方法,但很少有研究集中在一个解决方案,将防止这种攻击的发生。然而,使用深度学习来检测攻击已经取得了很大的进步。受这些进步的启发,我们开发了一种新的方法,不仅用于识别AC FDIA,更重要的是,还用于纠正。我们的方法利用长短期记忆去噪自动编码器(LSTM-DAE),以正确的攻击估计状态的基础上攻击的测量。利用IEEE 30系统对该方法进行了验证,实验结果表明,该方法能够成功地识别出系统中的损坏状态,并以较高的精度进行校正。
2020-08-04 cs.CR eess.SP
Deep Learning Assisted User Identification in Massive Machine-Type Communications
本文提出了一种深度学习辅助的列表近似消息传递(AMP)算法,以进一步提高海量机器类型通信中的用户识别性能。采用神经网络来识别在AMP算法的第一轮期间最有可能被误报警的可疑设备。神经网络返回虚警可能性,并且期望学习虚警事件的未知特征和量化导频矩阵中的隐式相关结构。然后,通过采用差错控制编码领域中的列表解码的思想,我们提出在第二轮AMP算法的每次迭代中强制可疑设备处于非活动状态。该方案能有效地对抗可疑设备的干扰,提高用户识别性能。仿真结果表明,与传统的最小均方误差去噪AMP算法相比,该算法在恢复稀疏未知信号的均方误差性能上有所提高。
2019-07-23 cs.IT eess.SP math.IT
Deep User Identification Model with Multiple Biometrics
NOTA Incorporated(NOTA公司);Khalifa University(哈利法大学);Korea Advanced Institute of Science and Technology(韩国高等科学技术院)
利用生物特征进行身份识别是一项重要而又具有挑战性的任务。关于使用给定信号识别个人身份或性别已经进行了大量的研究。各种类型的生物测定,如心电图(ECG),脑电图(EEG),面部,指纹和语音已被用于这些任务。大多数的研究只集中在单一的通道或单一的任务,而输入通道或任务的组合还有待研究。在本文中,我们提出了使用多模态生物识别技术进行深度识别和性别分类。我们的模型使用ECG,指纹和面部数据。然后,它执行两项任务:性别识别和分类。通过使用多模态,单个模型可以处理各种输入域,而无需独立地训练每个模态,并且域之间的相关性可以提高其在任务上的泛化性能。
2019-09-03 cs.CV cs.LG eess.SP
Joint LOS Identification and Data Association for 6G-Enabled Networked Device-Free Sensing
本文研究多径环境下OFDM蜂窝系统的无设备网络化感知,提出一种两阶段定位协议,通过准确估计路径距离并联合识别LOS路径与目标关联,实现了高精度的目标数量与位置估计。
2024-09-05 cs.IT eess.SP math.IT
Adversarial Attack and Defense for LoRa Device Identification and Authentication via Deep Learning
Nexcepta(内克塞普塔公司)
本文利用深度学习对LoRa设备进行识别与合法/恶意分类,研究FGSM对抗攻击下的脆弱性,并通过对抗训练提升分类器鲁棒性以防御攻击。
2024-12-30 cs.AI cs.CR cs.LG