[论文解读] A Real-World Radio Frequency Signal Dataset Based on LTE System and Variable Channels

Shupeng Zhang, Yibin Zhang+6 more|arXiv (Cornell University)|May 25, 2022

Wireless Signal Modulation Classification被引用 5

一句话总结

本论文基于800 MHz的LTE系统，提出了一项基于软件定义无线电（SDRs）采集的现实世界射频指纹（RFF）数据集，用于捕获在不同信道条件下的发射机与接收机信号。该数据集包含来自10个独立发射机的4,000个样本，覆盖视 Line-of-Sight（LOS）与非视 Line-of-Sight（NLOS）环境，通过简单卷积神经网络（CNN）验证，实现了可靠的分类性能，适用于真实无线环境下基于深度学习的设备识别。

ABSTRACT

Radio Frequency Fingerprint (RFF) identification on account of deep learning has the potential to enhance the security performance of wireless networks. Recently, several RFF datasets were proposed to satisfy requirements of large-scale datasets. However, most of these datasets are collected from 2.4G WiFi devices and through similar channel environments. Meanwhile, they only provided receiving data collected by the specific equipment. This paper utilizes software radio peripheral as a dataset generating platform. Therefore, the user can customize the parameters of the dataset, such as frequency band, modulation mode, antenna gain, and so on. In addition, the proposed dataset is generated through various and complex channel environments, which aims to better characterize the radio frequency signals in the real world. We collect the dataset at transmitters and receivers to simulate a real-world RFF dataset based on the long-term evolution (LTE). Furthermore, we verify the dataset and confirm its reliability. The dataset and reproducible code of this paper can be downloaded from GitHub link: https://github.com/njuptzsp/XSRPdataset.

研究动机与目标

• 为解决缺乏大规模、真实世界RFF数据集的问题，这些数据集能反映多样的无线信道条件，且不限于2.4 GHz WiFi设备。
• 克服现有数据集仅记录接收端信号的局限，通过同时捕获发射与接收端数据。
• 利用软件定义无线电平台生成可复现、可自定义的数据集，以支持灵活的参数配置（如频率、调制方式、天线增益等）。
• 通过包含视 Line-of-Sight（LOS）与非视 Line-of-Sight（NLOS）信道环境的信号，提升基于深度学习的RFF识别的鲁棒性。
• 通过基准CNN模型验证数据集在深度学习应用中的可靠性。

提出的方法

• 使用10台不同的USRP X310软件定义无线电（SDRs）作为发射机与接收机，在800 MHz频段生成并捕获基于LTE的信号。
• 通过PCM编码一段18分钟的MP3文件生成源数据，并为每次传输提取400行随机数据，以确保信号多样性。
• 实现LTE信号链，包括源编码、信道编码、调制（16QAM）及IFFT处理，之后进行传输。
• 在两种不同的信道环境中采集数据：LOS（直射路径）与NLOS（遮挡路径），以模拟真实传播效应。
• 为每次传输存储发射端（源数据、调制信号、I/Q数据）与接收端（接收的I/Q样本）的数据，形成综合性数据集。
• 将数据集划分为60%训练集、20%验证集与20%测试集，并使用一个简单的一维CNN模型进行训练，共200个周期，批量大小为16，包含早停机制。

实验结果

研究问题

• RQ1 能否利用软件定义无线电（SDRs）在800 MHz频段有效生成大规模、真实世界的LTE系统RFF数据集？
• RQ2 不同信道条件（LOS与NLOS）如何影响捕获的射频信号中RFF特征的保真度与可检测性？
• RQ3 包含多样化信道环境的数据集在多大程度上提升了基于深度学习的RFF设备识别模型的鲁棒性？
• RQ4 所提出的RFF数据集是否可靠且适用于训练深度学习模型进行RFF识别任务？
• RQ5 简单的CNN模型能否在所提出数据集上实现有意义的分类准确率，表明其在后续研究中的实用性？

主要发现

• 该数据集包含从10个独立SDR发射机在LOS与NLOS信道环境中采集的4,000个样本，训练、验证与测试集划分均衡。
• 星座图显示，NLOS条件下信号质量显著下降，接收星座图出现明显失真与扩散，而LOS条件下保持清晰、紧凑的信号模式。
• 尽管NLOS条件下信号质量下降，RFF特征仍保持稳定且可识别，证实硬件引起的指纹与信道效应无关。
• CNN模型实现了非平凡的分类准确率，表明该数据集适用于训练用于RFF识别的深度学习模型。
• 数据集中包含多样化信道环境，增强了训练模型的潜在鲁棒性，使其更不易因单一传播条件而过拟合。
• 该数据集及相关MATLAB代码已公开发布于GitHub，支持可复现性，并推动RFF研究的广泛应用。