[论文解读] Emitter Identification Using CNN IQ Imbalance Estimators

Lauren J. Wong, William C. Headley+1 more|arXiv (Cornell University)|Aug 7, 2018

Wireless Signal Modulation Classification参考文献 21被引用 8

一句话总结

本文提出了一种基于卷积神经网络（CNN）的新方法，用于特定发射器识别（SEI），直接利用原始IQ数据估计发射器IQ不平衡参数——幅度不平衡与相位不平衡，无需同步、载波跟踪或解调。该方法在更少的数据样本和更少假设条件下，实现了比传统基于特征的方法更高的准确性，且当训练数据被限制在现实的不平衡范围时，性能显著提升。

ABSTRACT

Specific Emitter Identification is the association of a received signal to a unique emitter, and is made possible by the naturally occurring and unintentional characteristics an emitter imparts onto each transmission, known as its radio frequency fingerprint. This work presents an approach for identifying emitters using Convolutional Neural Networks to estimate the IQ imbalance parameters of each emitter, using only raw IQ data as input. Because an emitter's IQ imbalance parameters will not change as it changes modulation schemes, the proposed approach has the ability to track emitters, even as they change modulation scheme. The performance of the developed approach is evaluated using simulated quadrature amplitude modulation and phase-shift keying signals, and the impact of signal-to-noise ratio, imbalance value, and modulation scheme are considered. Further, the developed approach is shown to outperform a comparable feature-based approach, while making fewer assumptions and using less data.

研究动机与目标

• 开发一种深度学习方法用于发射器识别，避免复杂的预处理步骤（如同步和解调）。
• 探究卷积神经网络（CNN）是否能直接从原始IQ样本准确估计IQ不平衡参数（幅度与相位），作为独特的射频指纹。
• 评估基于CNN的IQ不平衡估计在不同信噪比（SNR）、调制方式（QAM与PSK）以及数据样本数量下的SEI性能。
• 从准确性、数据效率和对信号缺陷的鲁棒性等方面，将所提出的端到端CNN方法与传统的基于特征的SEI方法进行比较。
• 确定训练数据分布（如不平衡参数范围）对模型泛化能力和识别准确性的影响。

提出的方法

• 训练CNN直接从原始IQ样本中估计同相（I）和 quadrature（Q）不平衡参数，使用在AWGN信道上模拟的QAM和PSK信号。
• 采用包含发射器引入的IQ不平衡的信号模型，生成具有受控幅度和相位不平衡值的合成训练和测试数据。
• 为幅度不平衡和相位不平衡分别设计CNN架构，通过调整输入尺寸和网络深度以最小化偏差和方差。
• 将训练好的CNN应用于原始IQ捕获，以估计IQ不平衡参数，随后将这些估计值作为发射器分类的特征。
• 整合多个原始IQ捕获（例如10段1024样本的捕获）以提高估计精度和分类性能。
• 在相同测试条件下，将基于CNN的SEI方法与依赖SNR估计和完美同步的基准基于特征方法进行比较。

实验结果

研究问题

• RQ1 CNN能否在无需同步或解调的情况下，直接从原始IQ数据中准确估计IQ不平衡参数（幅度与相位）？
• RQ2 与传统基于特征的方法相比，基于CNN的SEI方法在准确性与数据效率方面表现如何？
• RQ3 SNR、调制类型（QAM与PSK）以及不平衡参数范围如何影响IQ不平衡估计的准确性及后续发射器识别？
• RQ4 缩小训练不平衡参数范围在多大程度上能提升基于CNN的SEI系统的泛化能力和准确性？
• RQ5 考虑到IQ不平衡与调制无关，该CNN方法在信号发生调制变化时是否仍能保持高识别准确性？

主要发现

• 基于CNN的方法成功地从原始IQ数据中估计出幅度与相位IQ不平衡，其中幅度不平衡估计的偏差和方差显著低于相位不平衡。
• 当仅使用10段1024个原始IQ样本的捕获时，所提出的SEI方法在准确性上优于可比的基于特征的方法，且假设更少。
• 当在广泛的不平衡参数范围内进行训练时，基于CNN的SEI方法需要极高的幅度不平衡分离度才能实现可靠识别，但若缩小训练范围，性能将显著提升。
• 即使仅使用幅度不平衡估计且不依赖SNR估计或完美同步，该方法在使用10段1024样本时，识别准确率仍高于基准方法[28]。
• 基于CNN的方法表现出调制无关的性能，只要已知调制类别，即可在不同调制方式（QAM与PSK）间实现发射器跟踪。
• 当前网络架构下，相位不平衡估计仍具挑战性，表明需要更复杂的模型或更多数据，才能实现与幅度不平衡估计相当的性能。