基于深度学习的射频指纹(Radio Frequency Fingerprinting, RFF)识别具有增强物理层安全性能的潜力。近年来,为了满足深度学习对大规模数据的需求,提出了几种RFF数据集。然而,这些数据集是从类似的信道环境中收集的,多数仅提供来自接收...基于深度学习的射频指纹(Radio Frequency Fingerprinting, RFF)识别具有增强物理层安全性能的潜力。近年来,为了满足深度学习对大规模数据的需求,提出了几种RFF数据集。然而,这些数据集是从类似的信道环境中收集的,多数仅提供来自接收器的接收数据。针对上述问题,利用软件无线电设备作为无线电信号发生器,通过自定义收发射机系统参数,如频带、调制模式、天线增益等,实现射频信号数据集的个性化定制。由于数据集是通过各种复杂的信道环境生成的,旨在更好地描述现实世界中的射频信号,因此在发射机和接收机处同时收集数据,可以模拟基于长期演进(Long Term Evolution, LTE)的真实RFF数据集。此外,通过一个基于卷积神经网络的射频指纹识别例程,验证了数据集的可用性,所提出的数据集和相关代码均可以在GitHub下载。展开更多
文摘基于深度学习的射频指纹(Radio Frequency Fingerprinting, RFF)识别具有增强物理层安全性能的潜力。近年来,为了满足深度学习对大规模数据的需求,提出了几种RFF数据集。然而,这些数据集是从类似的信道环境中收集的,多数仅提供来自接收器的接收数据。针对上述问题,利用软件无线电设备作为无线电信号发生器,通过自定义收发射机系统参数,如频带、调制模式、天线增益等,实现射频信号数据集的个性化定制。由于数据集是通过各种复杂的信道环境生成的,旨在更好地描述现实世界中的射频信号,因此在发射机和接收机处同时收集数据,可以模拟基于长期演进(Long Term Evolution, LTE)的真实RFF数据集。此外,通过一个基于卷积神经网络的射频指纹识别例程,验证了数据集的可用性,所提出的数据集和相关代码均可以在GitHub下载。
