发表机构
Sorbonne Université, CNRS, LIP6（索邦大学、法国国家科学研究中心、巴黎第六大学信息与自动化实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
提出用于端到端射频频谱监测的E-SpecFormer，引入LiTAN注意力机制，有四种可扩展变体。在相关数据集测试中，Nano变体参数少、速度快，准确率高，以低成本超越现有边缘模型，是物联网设备实时频谱智能的高效解决方案。
AI 中文摘要
我们提出了用于端到端自动调制和隐蔽信道（CC）识别的E-SpecFormer（边缘频谱监测变压器）。我们引入了LiTAN（线性双曲正切注意力网络），一种无Softmax和层归一化的注意力机制，可在提高射频任务准确性的同时降低复杂性。E-SpecFormer有四种可扩展变体（Nano、Small、Medium、Large）进行参数化，以适应不同的硬件约束。使用RadioML2018数据集进行调制识别，Nano变体在信噪比>0 dB时平均准确率达到86.5%，在基于硬件木马（HT）的CC数据集上准确率达到94.2%，参数少于10k，在FPGA/CPU协同执行时每帧速度高达92微秒，以低成本超越了现有边缘模型。这些结果表明E-SpecFormer是物联网（IoT）设备实时频谱智能的边缘高效解决方案。
英文摘要
We present E-SpecFormer (Edge Spectrum monitoring Transformer) for end-to-end automatic modulation and covert channel (CC) recognition. We introduce LiTAN (Linear Tanh Attention Network), a Softmax- and LayerNorm-free attention mechanism that reduces complexity while increasing accuracy in RF tasks. E-SpecFormer is parameterized in four scalable variants (Nano, Small, Medium, Large) to accommodate diverse hardware constraints. Using the RadioML2018 dataset for modulation recognition, the Nano variant achieves 86.5% average accuracy for Signal-to-Noise Ratios (SNRs)>0 dB, and on the hardware Trojan (HT)-based CC dataset it reaches 94.2% accuracy, both with fewer than 10k parameters and up to speed of 92 μs per frame on FPGA/CPU co-execution, surpassing state-of-the-art edge models at a fraction of their cost. These results establish E-SpecFormer as an edge-efficient solution for real-time spectrum intelligence on Internet of Things (IoT) devices. GitHub link to the repository: https://github.com/zsniko/E-SpecFormer.
