一种自主监督的特定发射体识别方法,基于对比不对称的蒙蔽学习

科学领域:

• 网络安全 网络安全
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 特定发射者识别 (SEI) 对无线安全至关重要,但当前的深度学习方法需要广泛的标记数据,限制其在非合作场景中的使用.
• 现有的SEI技术与数据稀缺性作斗争,并且在现实应用中具有可区分性.

研究的目的:

• 提出一种基于学习的 SEI (CAML-SEI) 方法,用于有效地识别无线设备,使用稀缺的标记样本.
• 增强学习细粒度局部无线电频率指纹 (RFF) 特性,并提高特征的可区分性.

主要方法:

• 一个不对称的自动编码器架构,用于RFF特征提取的通道挤压和激发剩余块编码器.
• 一个轻量级的卷积解码器用于掩盖信号重建和一个可学习的非线性映射功能压缩.
• 一个对比损失函数,用于正样本聚合和负样本分离,并与信号重建一起优化.

主要成果:

• 该CAML-SEI方法有效地从信号中学习一般化的RFF特征.
• 在ADS-B和Wi-Fi数据集上的实验结果显示,与现有的SEI方法相比,性能优越.
• 该方法在具有有限标记数据的场景中显示出稳定性和有效性.

结论:

• 拟议的CAML-SEI方法为特定的排放者识别提供了强大的解决方案,特别是在数据稀缺的环境中.
• 这项工作通过增强的功能学习和对比优化实现了强大的设备识别,从而推进了SEI技术.
• 这些发现对改善无线通信安全性和设备身份验证有重大影响.