[论文解读] ChaRRNets: Channel Robust Representation Networks for RF Fingerprinting

Carter N. Brown, Enrico Mattei+1 more|arXiv (Cornell University)|May 8, 2021

Wireless Signal Modulation Classification参考文献 13被引用 6

一句话总结

ChaRRNets 引入了基于李群等变性的复值卷积神经网络，以应对多径传播信道，实现了在真实世界信道变化下的鲁棒射频指纹识别。通过将物理信号传播不变性嵌入网络架构，该模型在未见的多径条件下实现了高达 85.3% 的准确率，显著提升了泛化能力与准确性，优于强基线模型，在合成与真实世界设置中均表现更优。

ABSTRACT

We present complex-valued Convolutional Neural Networks (CNNs) for RF fingerprinting that go beyond translation invariance and appropriately account for the inductive bias with respect to multipath propagation channels, a phenomenon that is specific to the fields of wireless signal processing and communications. We focus on the problem of fingerprinting wireless IoT devices in-the-wild using Deep Learning (DL) techniques. Under these real-world conditions, the multipath environments represented in the train and test sets will be different. These differences are due to the physics governing the propagation of wireless signals, as well as the limitations of practical data collection campaigns. Our approach follows a group-theoretic framework, leverages prior work on DL on manifold-valued data, and extends this prior work to the wireless signal processing domain. We introduce the Lie group of transformations that a signal experiences under the multipath propagation model and define operations that are equivariant and invariant to the frequency response of a Finite Impulse Response (FIR) filter to build a ChaRRNet. We present results using synthetic and real-world datasets, and we benchmark against a strong baseline model, that show the efficacy of our approach. Our results provide evidence of the benefits of incorporating appropriate wireless domain biases into DL models. We hope to spur new work in the area of robust RF machine learning, as the 5G revolution increases demand for enhanced security mechanisms.

研究动机与目标

• 解决因多径传播导致训练与测试信道不同的真实无线环境中射频指纹识别的挑战。
• 克服标准深度学习模型缺乏对频率选择性衰落等物理信号变换不变性的问题。
• 将领域特定的归纳偏置——特别是多径传播的物理特性——整合到深度学习架构中，以提升鲁棒性与数据效率。
• 开发一种对表征无线信道的FIR滤波器响应所诱导变换具有等变性与不变性的神经网络框架。
• 在合成与真实世界数据集上均实现性能提升，尤其在训练与测试条件分布偏移的情况下表现更优。

提出的方法

• 将多径传播模型表述为复值基带信号上的李群作用，具体使用复数缩放与旋转群（SO(2)）来表示频率响应的变化。
• 设计新型卷积层，使其对表征多径效应的变换群具有等变性，利用幅度与相位乘积空间上的加权弗雷歇均值。
• 构建两阶段网络：第一阶段为群等变卷积层，以在信道变换下保持信号结构；第二阶段为池化或不变层，以生成稳定表征。
• 应用加窗技术以减轻真实信号中的边界效应，使其与理想化模型假设对齐。
• 使用模拟的瑞利衰落与莱斯衰落信道、加性白高斯噪声及载波频偏进行数据增强训练。
• 在整个网络中使用复值运算，以保持 I/Q 正交关系，避免实部与虚部分量的解耦。

实验结果

研究问题

• RQ1 通过整合物理归纳偏置，射频指纹识别的深度学习模型是否能在未见的多径信道条件下实现更好的泛化能力？
• RQ2 与标准复值卷积神经网络相比，对多径诱导信号变换的李群等变性在多大程度上提升了模型的鲁棒性？
• RQ3 在模拟信道变化上进行训练，能在多大程度上提升模型在真实世界、分布外测试数据上的性能？
• RQ4 信道不变性的引入是否能提升数据效率，特别是在每类设备训练样本有限的情况下？
• RQ5 该模型在训练与测试集间存在显著信道分布偏移的多样化真实世界信号集合中表现如何？

主要发现

• 在包含 400 个反射体（LOS400）的测试集上，ChaRRNet 达到 85.3% 的 top-1 准确率，显著优于基线模型在相同条件下仅 11.5% 的得分。
• 在单日保留的室外真实世界数据上，ChaRRNet 达到 44.8% 的准确率，而基线仅为 9.4%，表明其对未见信道条件具有鲁棒性。
• 当在两天的室外数据上进行训练时，ChaRRNet 的准确率提升至 65.5%，表明训练期间多样化的信道数据可增强泛化能力。
• 在包含 10,000 个设备、每设备仅 22 个训练样本的大规模数据集上，ChaRRNet 达到 77.6% 的准确率，而基线仅为 47.1%，凸显其卓越的数据效率。
• 在混合日期的训练/测试场景中，ChaRRNet 维持了优异性能（88.9%），相较基线（88.5%）表现稳定，表明其在异质信道环境中的鲁棒性。
• 在比特完全相同的测试集上，ChaRRNet 达到 98.6% 的准确率，优于基线的 96.7%，证实其在最小分布偏移下依然有效。