[论文解读] Spectro-Temporal RF Identification using Deep Learning

Hai Nguyen, Marinos Vomvas+2 more|arXiv (Cornell University)|Jul 11, 2021

Wireless Signal Modulation Classification参考文献 31被引用 7

一句话总结

WRIST 是一种基于深度学习的一阶段目标检测框架的实时、宽带射频识别系统，结合时频定位技术。它在超过 6 Gbps 的速度下，对 100 MHz 的 I/Q 样本进行处理，实现了对五种无线技术（Wi-Fi、蓝牙、ZigBee、Lightbridge、XPD）检测与分类的 90% 平均精度（mAP），利用迁移学习和迭代训练流程，在大规模整理过的数据集（SPREAD）上取得优异表现。

ABSTRACT

RF emissions detection, classification, and spectro-temporal localization are crucial not only for tasks relating to understanding, managing, and protecting the RF spectrum, but also for safety and security applications such as detecting intruding drones or jammers. Achieving this goal for wideband spectrum and in real-time performance is a challenging problem. We present WRIST, a Wideband, Real-time RF Identification system with Spectro-Temporal detection, framework and system. Our resulting deep learning model is capable to detect, classify, and precisely locate RF emissions in time and frequency using RF samples of 100 MHz spectrum in real-time (over 6Gbps incoming I&Q streams). Such capabilities are made feasible by leveraging a deep-learning based one-stage object detection framework, and transfer learning to a multi-channel image-based RF signals representation. We also introduce an iterative training approach which leverages synthesized and augmented RF data to efficiently build large labelled datasets of RF emissions (SPREAD). WRIST detector achieves 90 mean Average Precision even in extremely congested environment in the wild. WRIST model classifies five technologies (Bluetooth, Lightbridge, Wi-Fi, XPD, and ZigBee) and is easily extendable to others. We are making our curated and annotated dataset available to the whole community. It consists of nearly 1 million fully labelled RF emissions collected from various off-the-shelf wireless radios in a range of environments and spanning the five classes of emissions.

研究动机与目标

• 解决在动态、拥塞环境中实时、宽带时频域射频信号检测与分类的挑战。
• 克服在真实世界条件下，针对多样化射频信号缺乏大规模、整理过且带标签的数据集的问题。
• 开发一种可扩展的深度学习框架，支持对高吞吐量 I/Q 数据流（超过 6 Gbps）的实时处理。
• 实现在复杂、重叠传输场景下对多种无线技术（如 Wi-Fi、蓝牙、ZigBee）的准确识别。
• 通过迁移学习和迭代模型优化，实现对新射频波形的可扩展性。

提出的方法

• 将 YOLO 风格的一阶段目标检测方法适配至射频领域，采用从 I/Q 样本生成的多通道图像表示形式的 spectrogram。
• 通过使用计算机视觉模型的预训练权重初始化模型，实现迁移学习，以加速在射频数据上的收敛。
• 实施迭代训练流程：首先在合成和增强的射频数据上进行训练，然后利用初始模型的预测结果，在真实世界空中传播的射频信号上进行再训练。
• 采用基于锚点的边界框预测与基于网格的特征图，实现时间与频率维度上的端到端检测与定位。
• 集成旁路网络与多尺度特征融合，提升对小信号或弱信号射频发射的检测能力。
• 应用面向射频的压缩与优化技术，确保在 100 MHz 带宽数据流上实现高速推理（实时处理）。

实验结果

研究问题

• RQ1 能否有效将一阶段深度学习目标检测框架适配至时频射频信号检测与分类任务，实现高精度与低延迟？
• RQ2 当人工标注成本高且耗时长时，如何高效构建大规模、真实世界且完全标注的射频数据集？
• RQ3 在缺乏大规模标注射频数据集的情况下，迁移学习与合成数据增强在多大程度上能提升模型泛化能力？
• RQ4 深度学习模型是否能在高度拥塞、存在重叠传输的射频环境中实现高检测精度（以 mAP 衡量）？
• RQ5 如何实现模型的渐进式扩展，以检测此前未见过的新射频发射类型，而无需进行完整再训练？

主要发现

• WRIST 在极端拥塞的真实世界环境中，对射频信号的检测与分类仍能达到 90% 的平均精度（mAP）。
• 系统处理 I/Q 样本的速度超过 6 Gbps，支持对 100 MHz 带宽射频频谱的低延迟实时分析。
• 迭代训练方法（从合成数据开始，再在真实空中传播信号上优化）显著提升了模型的准确率与泛化能力。
• SPREAD 数据集包含近 100 万个完全标注的射频信号，涵盖五种无线技术（Wi-Fi、蓝牙、ZigBee、Lightbridge、XPD），总计 1.4 TB 的 I/Q 样本与 spectrogram。
• 从预训练的计算机视觉模型迁移学习，相比从零开始在射频数据上训练，能实现更快的收敛速度与更高的性能。
• 该模型可轻松扩展至新无线标准，其框架设计支持对新型射频发射模式的增量学习。