Wi-Fi物联网设备指纹识别改用双频带门控:冻结主干零重训,八个主干72次配对全胜
核心概要
跨房间、跨周和跨接收机的Wi-Fi物联网射频指纹识别长期受制于信噪比交叉:高信噪比下空子载波上的功放频谱再生能抗多径,低信噪比下却随噪声迅速失效,而有源前导则相反。GSDF-CAPC把这两类线索拆成独立训练的两支编码器,用仅由源端数据标定的盲热噪声信噪比门控在logit与球面嵌入两个空间融合,并配合无标签的前向原型校准。在DataPort-WiFi、WiSig和ORBIT MobRFFI上,冻结主干加装该模块在八个主干上取得72/72次配对全胜,低信噪比损失为0.00个百分点。
深度剖析
跨域Wi-Fi物联网射频指纹识别现在可以在不重训已部署分类器的情况下,把空子载波频谱再生这一路线索接进任意冻结主干,并在低信噪比时退回主干本身。 此前有源带方法在严重室内多径下退化,只依赖空子载波再生的方法在热噪声盖过互调泄漏后跌到接近随机,两类线索被分开使用。 在DataPort-WiFi、WiSig和ORBIT MobRFFI三个公开IEEE 802.11a/g前导数据集上,冻结主干加装该模块在八个主干、九次运行网格中取得72/72次配对全胜,低信噪比损失为0.00个百分点。
融合由一支独立训练的空子载波编码器与任意冻结主干在推理时组合完成,两支之间没有共享参数。 联合训练时,有源子载波比空子载波再生高20–35 dB的功率差会让有源带梯度主导优化,并把低信噪比空带噪声泄进共享隐层。 空子载波插件编码器有46.3K参数,与原生边缘主干参数量相同;在DataPort-WiFi上,去掉符号对相干去噪后多径条件下降约10个百分点,而10 dB噪声下的结果保持不变。
融合权重由一个只用源端验证数据标定的盲信噪比门控给出,门控利用IEEE 802.11a/g前导的lag-64周期性估计热噪声信噪比。 静态相加在25 dB以下注入各向同性噪声,在DataPort-WiFi的20 dB处损失最多44.7个百分点;熵门控则因噪声后验过度自信而损失分数。 在八个主干上取平均,该门控在10 dB加性白高斯噪声下保持与主干单独使用时相同的分数,同时保留静态相加多径增益的绝大部分。
无标签的目标端校准以纯前向的不平衡最优传输对齐偏移的原型,并在类别大致均衡时退化为无参数的平衡Sinkhorn。 基于反向传播的测试时自适应会增加网关CPU延迟并有类别塌缩风险,而严格平衡的Sinkhorn在数据包到达偏斜或采集窗口很短时会过度切分。 在ORBIT MobRFFI跨接收机上,平衡版本达到52.00%,高于五轮梯度更新的SHOT-IM的47.29%和SHOT-Full的45.33%;在偏斜的WiSig第8天,不平衡版本把边缘主干加融合从50.64%提到52.80%。
启示与展望
演示范围限于三个公开IEEE 802.11a/g前导数据集上的跨房间、跨周和跨接收机迁移,以及单流前导、闭集设备和均衡或偏斜的采集窗口;边缘延迟在单CPU线程、批大小为1的ONNX Runtime上测得。
空子载波再生的低信噪比失效是二次方衰减,门控在交叉点附近关闭,因此过渡带内的收益依赖连续融合而非硬切换;在单天线WiSig上,跨周与跨接收机迁移仍明显低于同日跨房间结果,作者把这一差距归因于更高的空中噪声底和触发定时漂移。
