一种结合声学和惯性测量单元（IMU）数据的水下导航集成跟踪技术

《Ad Hoc Networks》：An integrated tracking technique for underwater navigation using acoustic and IMU measurements

本文提出基于Vision Transformer（ViT）的无线电频率指纹识别（RFFI）方法，用于通过GFSK调制物联网设备信号实现高精度识别。实验表明，ViT在非视距（NLOS）场景下准确率较CNN提升至5%，且训练周期减少50%。该方法通过统一预处理流程将I/Q信号转换为图像输入，系统分析了数据集大小、训练向量长度、窗口位置等参数对识别性能的影响。

　　

卡洛斯·埃雷拉-洛埃拉（Carlos Herrera-Loera）|卡罗琳娜·德尔-瓦莱-索托（Carolina Del-Valle-Soto）|莱昂纳多·J·瓦尔迪维亚（Leonardo J. Valdivia）|米格尔·巴兹德雷斯奇（Miguel Bazdresch）|卡洛斯·梅克斯-佩雷拉（Carlos Mex-Perera）

泛美大学（Universidad Panamericana），阿尔瓦罗·德尔·波蒂略49号（álvaro del Portillo 49），萨波潘（Zapopan），45010，哈利斯科州（Jalisco），墨西哥

摘要

射频指纹识别（Radio Frequency Fingerprint Identification，RFFI）是一种通过检测无线设备固有的硬件缺陷所产生的独特信号失真来对设备进行分类的技术。该方法允许无线接收器准确识别一个或多个发射器。以往的研究已经展示了使用LoRa、ZigBee和蓝牙低功耗（Bluetooth Low Energy，BLE）等调制方式的RFFI结果。本文提出了一种针对采用高斯频移键控（Gaussian Frequency Shift Keying，GFSK）调制的物联网（Internet of Things，IoT）设备的RFFI方法。所提出的RFFI方法基于视觉Transformer（Vision Transformer，ViT）的编码器模块；其结果与使用卷积神经网络（Convolutional Neural Network，CNN）获得的结果进行了比较。我们分析了该方法在多种传播场景下的准确性，并研究了各种参数对方法准确性的影响，包括训练数据集大小、训练向量长度、用于训练的传输数据包部分以及训练周期数。

实验结果表明，在非视距（Non-Line-of-Sight，NLOS）传播条件下，基于Transformer的分类器的性能略优于CNN（准确率最高可提高5%）。更重要的是，基于Transformer的分类器所需的训练周期仅为CNN的一半。

引言

物联网已成为全球通信基础设施的关键组成部分[1]。当前和未来的物联网应用在从工业自动化到日常任务等多个领域发挥着重要作用[2]。物联网网络在各种场景中的普及引发了与安全、访问和隐私相关的重要挑战[3]。

因此，提高物联网设备和网络对这些攻击的抵御能力非常重要。已经开发了许多网络协议来增强安全性，包括认证、加密、隐私和访问控制。这些通常在高层实现。然而，在计算能力有限且经常需要最小化能耗的小型物联网设备中，实现这些功能可能具有挑战性[4]、[5]、[6]。

射频指纹识别（RFFI）是一组有助于提升物联网网络安全性的技术，在过去十年中一直是研究的热点领域。早期研究侧重于利用发射器中的硬件缺陷作为区分无线设备的独特特征[7]。后续研究引入了改进抗信道变化能力的技术，并通过数据增强策略在动态条件下提升分类性能[8]。后来，研究工作转向了窄带系统中的建模和分类，为信号分析和识别提供了更详细的框架[9]。随着物联网的发展，基于机器学习的设备检测和识别方法应运而生，使RFFI成为物联网网络中关键的非加密认证机制[4]、[10]。这种方法不消耗大量资源，也不需要专用硬件，使其成为一种极具成本效益的识别技术[11]。这一进展表明，RFFI已经从基于硬件的基础方法发展成为旨在满足现代高密度设备环境安全需求的集成解决方案。

指纹识别技术长期以来一直是研究的重点。最初的实现基于信号瞬变的特征分析[12]。其他技术则使用了手动定义的信号特征[13]。最近，机器学习（Machine Learning，ML）的应用显著提高了指纹识别的性能[14]。进展范围从通用方法[15]扩展到更具体的方法，如增量学习（Incremental Learning，IL）[16]或深度学习（Deep Learning，DL）[17]。最近，卷积神经网络（CNN）在这一领域取得了显著成果，被应用于各种环境和通信协议中。它们被用于实现被动无钥匙进入和启动（Passive Keyless Entry and Start）系统[18]、为物联网设备识别设计稳健的多采样架构[19]、使用频谱图在LoRa网络中分类发射器[20]，以及分析人体遮挡对ZigBee系统的影响[21]。此外，其他研究还利用CNN进行特征提取和设备认证，探讨了基于I/Q不平衡（I/Q imbalance）的技术[22]、将I/Q数据的分布作为区分特征[23]，以及在5G环境中使用射频指纹进行认证[24]。尽管这些基于CNN的模型在受控环境中的准确性很高，但在实际条件下，尤其是在信噪比（SNR）低或多径丰富的场景中，它们的性能可能会下降。这一限制促使最近的研究转向探索替代架构，例如后续章节中讨论的Transformer。

最初为语言处理和翻译设计的Transformer深度学习架构[25]、[26]、[27]已被证明在许多任务中与CNN具有竞争力，甚至表现更优。该架构已被修改以适应各种应用；例如，ViT[28]被设计用于图像分类，使用小图像块代替语言标记。基于这些改进的架构，Transformer也被应用于RFFI问题[29]、[30]，并取得了有希望的结果。

在本文中，我们提出了一种使用GFSK调制识别物联网设备的方法。该方法基于ViT编码器模块，其检测准确性高于CNN，同时所需的计算资源更少。射频数据被表示为图像，作为输入传递给CNN和ViT。同相和正交（I/Q）接收信号被表示为大小为$2\times N$的图像，其中$N$是为指纹识别任务选择的样本数量。ViT和CNN分类器使用相同的图像进行评估。

本文的结构如下：第2节总结了以往的工作。第3节描述了射频设置和信号采集方法。第4节概述了ViT和CNN的架构。第5节展示了获得的结果，并在第6节提出了结论性意见。

在本文中，我们提出了一种基于Transformer的方法，利用射频指纹识别和GFSK调制准确识别无线物联网设备。该方法的准确性在不同无线信道下进行了评估，包括视距（Line-of-Sight，LOS）和非视距（NLOS）条件，以及在不同噪声水平下，并与使用CNN和ViT架构获得的结果进行了比较。我们展示了所有模型和算法参数的值，实现了高识别准确性。除了证明基于Transformer的模型用于GFSK发射器的射频指纹识别的可行性，并且其准确性可与CNN获得的成果相媲美外，我们还表明其效率降低了模型训练所需的周期数，并在NLOS场景中将准确性提高了多达50%。这项工作通过引入专门为射频指纹识别设计的紧凑型ViT编码器，以及将原始I/Q序列转换为类似图像结构的统一预处理流程，推动了技术的发展。这样的设计确保了CNN和Transformer模型在相同的输入上运行，使得架构差异成为性能差异的唯一因素。通过系统地评估在噪声和信道损伤下的鲁棒性，该研究为实际无线认证中基于注意力机制的架构的可行性提供了新的证据。这些结果有助于增强无线网络的安全性和可靠性，为实现射频指纹识别提供了实用解决方案。

相关文献概述

相关工作

RFFI作为一种有前景的技术，已被用于保护无线通信，特别是在资源受限的物联网环境中。已经提出了多种方法来解决设备识别挑战，从早期的模拟域方法到现代基于深度学习的解决方案。在本节中，我们提供了文献的结构化概述，分为五个主题类别：（i）传统和经典的机器学习方法，（ii）深度学习方法

方法论

本节描述了用于捕获信号数据和评估所提出的射频识别算法的方法论。该过程包括四个主要步骤，如图2所示。数据包从物联网设备发送出来，并由软件定义无线电（Software-Defined Radio，SDR）接收，产生原始的基带I/Q样本。这些样本在计算机中进一步处理，最终用于训练、测试和验证我们的分类器。这些步骤在

实验设置

本节详细描述了我们的实验。最终目的是测量六种不同物联网发射器的识别准确性。

结果

我们在上述两种场景下测量了所提出架构的分类准确性。分类器配置了表2中概述的超参数值。分类准确性通过混淆矩阵进行总结，混淆矩阵显示了每个模型和每个发射器准确识别的设备数量。

图9显示了在视距（LOS）条件下，分离距离为25米的场景中CNN分类的准确性，总体达到了99%。仅在六种情况下

结论与未来工作

本文研究了采用GFSK调制的物联网设备的射频指纹识别方法。系统地调查了构建数据集的相关参数对两种架构分类效果的影响，并比较了它们的结果。

我们比较了训练数据集的大小、信噪比（SNR）的影响、数据集中每个向量的样本数量、窗口位置在从数据包信号中选择样本时的影响等

CRediT作者贡献声明

卡洛斯·埃雷拉-洛埃拉（Carlos Herrera-Loera）：撰写——原始草稿、方法论、研究。卡罗琳娜·德尔-瓦莱-索托（Carolina Del-Valle-Soto）：撰写——审阅与编辑、项目管理、概念化。莱昂纳多·J·瓦尔迪维亚（Leonardo J. Valdivia）：撰写——审阅与编辑、项目管理。米格尔·巴兹德雷斯奇（Miguel Bazdresch）：撰写——审阅与编辑、形式分析、数据管理。卡洛斯·梅克斯-佩雷拉（Carlos Mex-Perera）：撰写——审阅与编辑、方法论、研究。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：卡洛斯·亚历杭德罗·埃雷拉·洛埃拉（Carlos Alejandro Herrera Loera）与瓜达拉哈拉校区（Panamerican University - Guadalajara Campus）存在关系，包括就业关系。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。