EPS：用于设备指纹领域自适应学习的可区分IQ数据表示
摘要：基于深度学习的射频指纹（RFFP）技术已成为一种强大的物理层安全机制，可以根据从接收到的射频信号中提取的唯一设备特定签名来实现设备识别和认证。然而，基于深度学习的RFFP方法面临着适应领域（例如，日期/时间，位置，信道等）变化和变异能力方面的重大挑战。本文提出了一种新颖的IQ数据表示和特征设计，称为Double-Sided Envelope Power Spectrum或EPS，证明了它在显著克服领域适应问题方面的能力。通过准确捕捉设备硬件缺陷并抑制无关的领域信息，EPS为RFFP中的深度学习模型提供了改进的特征选择。实验证明了其有效性，在同日/信道/位置评估中实现了超过99%的测试准确率，并在跨天评估中实现了93%的准确率，表现优于传统的IQ表示。此外，EPS在跨位置评估中表现出色，实现了95%的准确率。所提出的表示显著提升了基于深度学习的RFFP方法的鲁棒性和泛化能力，从而为基于IQ数据的设备指纹提供了一种变革性的解决方案。
作者：Abdurrahman Elmaghbub and Bechir Hamdaoui
论文ID：2308.04467
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-10