基于CLDNN的物联网设备个体识别

针对目前个体识别中特征工程存在信号序列长、特征鲁棒性差等问题,研究了基于深度神经网络的个体识别技术。借鉴语音识别中的卷积长短时全连接神经网络(CLDNN),通过卷积神经网络提取信号的局部幅度特征,通过长短期记忆网络提取信号的全局时域特征,使用全连接网络实现特征图到设备标签的映射。在视距(LOS)信道下,采集8台LoRa调制的无线数传电台数据,加入高斯白噪声进行仿真测试。仿真表明,本文所提方法在信号序列长度为2 048点和低信噪比(0 dB)时,模型准确率达到95%;此外相较VGG16模型,本模型参数更少,在物联网设备部署方面具有一定的应用前景。     

基于器件级仿真的用户设备射频指纹识别技术研究

UE认证对6G无线通信安全至关重要，RFFI是指通过信号处理手段，对采集的UE信号进行特征提取，从而实现UE个体识别的一项技术。首先通过搭建器件级仿真平台，探讨NR系统中的发射机损伤对射频指纹的影响，包括振荡器偏移、IQ调制器偏移和功率放大器非线性。然后，采用不同的深度神经网络模型对仿真平台生成的数据进行仿真实验，结果表明，在发射机参数满足3GPP协议要求的前提下，对10个随机分布的射频参数的设备进行识别，当信噪比15 dB时识别准确率可以达到98%。