跳到正文
arXiv cs.AI· Fengchong Yao, Jianbing Li, Qing Liu, Kefeng Song, Haitao Li, Song Wang, Kunpeng Wang·· 23 小时前AI 评分27

GSDF-CAPC:面向跨域 IoT 射频指纹识别的可插拔子带解耦融合与无标签采集原型校准

Pluggable Subband-Decoupled Fusion and Unlabeled Capture Prototype Calibration: Bridging High-SNR Null-Subcarrier Regrowth and Low-SNR Coherent Preambles for Cross-Domain IoT RF Fingerprinting

AI 导读

研究者提出 GSDF-CAPC,通过盲物理 SNR 门动态调节带内活跃波形与空子载波再生长,解决跨域 IEEE 802.11a/g RFFI 的 SNR 交叉问题,静态融合在此场景下最多损失 44.7 个百分点。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:在边缘无线接入点(AP)实现零开销的物理层认证,对于保护资源受限的物联网(IoT)收发器免受凭证克隆攻击至关重要,然而跨域 IEEE 802.11a/g 射频指纹识别(RFFI)面临严峻的信噪比(SNR)交叉问题。在未占用的空子载波上,功率放大器的频谱再生在高 SNR 下可抵抗室内多径,但在低于热噪声底时呈二次衰减;而占用的带内活跃前导码在低 SNR 下仍可存活,却在严重多径下性能退化,导致静态融合最多损失 44.7 个百分点(pp)。据我们所知,我们提出了首个通过盲物理 SNR 门控动态调制带内活跃波形与未占用空子载波再生的 RFFI 框架:可插拔门控子带解耦融合与无标签采集感知原型校准(GSDF-CAPC)。为避免联合训练中 20-35 dB 的子带梯度不平衡,GSDF 将任意冻结的预训练宿主骨干网络与一个 46.3K 的空子载波插件编码器(NS-Branch)配对,在源校准的滞后 64 热 SNR 门控下融合尺度标准化的 logits 与门控扭曲的球面嵌入,并具备精确的低 SNR 回退。在无标签目标 AP 采集数据上,仅前向的非平衡最优传输校准(UOT-CAPC)在数据包到达偏斜下对齐偏移的原型,并在等分条件下恢复无参数的平衡 Sinkhorn(U-CAPC)。在 DataPort-WiFi、WiSig 和 ORBIT MobRFFI 上,零重训练的 GSDF 在八个骨干网络的全部 72/72 配对运行中获胜,低 SNR 损失为 0.00 pp,而边缘 IB-Host + GSDF(92.6K-93.3K 活跃参数,1.82 ms 单核 CPU 延迟)与时间同步的 GSDF-STO / GSDF-Tri 达到 57.50%-65.05% 的三基准 Macro-F1(在 5-10 包 IoT 突发上为 89.04%-100.00%)。
主题: 人工智能(cs.AI);信息论(cs.IT);音频与语音处理(eess.AS);信号处理(eess.SP)
引用为: arXiv:2611.22812 [cs.AI]
  (或 arXiv:2611.22812v1 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22812

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Fengchong Yao [查看邮箱]
[v1] 2026年11月17日星期二 14:02:43 UTC(685 KB)

来源:arXiv cs.AI · arxiv.org