无参数统计生成器为基础的类增量学习,用于工业物联网中的多用户物理层认证
Wanbing Zhao1, Yanru Guo1, Yuchen Huang1
1College of Computer Science, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
本研究介绍了PSG-CIL,这是一个更新工业物联网物理层认证深度学习模型的新框架. 它有效地处理新用户,而无需高计算成本,提高准确性和减少开销.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 事物的工业互联网 (IIoT)
背景情况:
- 在工业物联网 (IIoT) 中,基于深度学习 (DL) 的物理层认证 (PLA) 面临着用户频繁更新的挑战.
- 现有的类增量学习 (CIL) 方法,特别是生成重复,由于沉重的参数化模型,遭受了高计算开销,限制了它们在资源有限的IIoT环境中的使用.
研究的目的:
- 为IIoT中基于DL的多用户PLA提出一个基于无参数统计生成器的CIL框架 (PSG-CIL).
- 为了减少计算开销,并提高CIL的效率,用于IIoT中的动态用户环境.
主要方法:
- 开发了一个无参数的统计生成器 (PSG),它使用高斯取样对特定用户的平均值和差异来创建伪数据,而无需训练额外的模型.
- 实施基于信任的伪数据选择机制,以确保生成数据的可靠性.
- 引入了减肥的动态调整机制,以平衡知识保留和适应新用户.
主要成果:
- 与从头开始再培训和其他CIL方法相比,PSG-CIL在真实工业数据集上取得了更高的准确性.
- 在AAP外部循环场景中,PSG-CIL达到70.68%的准确性,显著超过从头开始再培训 (58.57%).
- 拟议的框架保持了轻量级,显示了较低的计算开销.
结论:
- PSG-CIL为IIoT中基于DL的多用户PLA提供了有效和计算效率高的解决方案,解决了现有的CIL方法的局限性.
- 无参数性质和基于信任的选择使PSG-CIL适用于资源有限的IIoT部署.
- 这一框架使在动态的工业环境中能够实现强大且可适应的身份验证系统.
