DFSNet：用于LoRa Fingerprinting的深度分数散射网络

 典型LoRa应用系统：

LoRa节点通过线性调频扩频（CSS）调制发送密钥信息比特。

认证是保持连接所需的第一步，分别通过高层加密和物理层认证方法完成。

>>> 如何从接收到的具有较强可解释性的非平稳线性调频信号中提取出真实的RFF特征具有重要意义

射频指纹（RFF）识别是一种物理层认证方法，通过采用独特的器械特定硬件级特征/指纹（例如I/Q失配、功率放大器的非线性和载波频率偏移（CFO））来识别器械。

当 chirp 信号遇到相同的形变时，无论是傅里叶变换（FT）还是小波散射变换（WST），其大部分能量都向其他频率移动。

在实际的LoRa传输中，chirp 信号波形可能会嵌入各种独特的损伤和意外噪声。

>>> DFSNet能够很好地处理非平稳信号，信号变形的影响可以控制在一定的范围内。

特征提取可以通过预设的固定滤波器和模的非线性运算实现。

论文提出的用于LoRa Fingerprinting的深度分数散射网络

文章提出的 hybrid DFSNet 主要包括M个LoRa发射器、1个带信号处理和分类器的LoRa接收器。

如图（b）所示，利用线性调频扩频（CSS）调制原始比特信息，以数据速率换取覆盖范围。然后，调制后的信号将经过数模转换器（DAC）和功率放大器（PA）传输。不同RF模块的这些不可避免的损害构成了可用于设备识别的独特特征。

完整的LoRa数据包由三部分组成：前导码、开始帧定界符（SFD）和有效载荷块。

基本符号单元是线性 chirp，其中 chirp 信号从最低频率开始并且随着时间逐渐上升到最高频率，而下 chirp 则相反。

 LoRa符号通过线性调频脉冲起始频率的循环平移来编码SF比特。存在2^SF个不同的偏移，其中SF是扩频因子，并且满足2^SF = B·T。然后，调制信号可以表示为

 其中 ∆f 表示特定频率偏移。

理想的I/Q时间和频率 chirp 信号:

随后，基带信号 x(t) 将由那些RF模块处理。（2图 b ）

接收机接收到的信号为：

 H：通道冲激响应   G：特异性损伤

实际的LoRa信号幅度表现出明显的非平稳特性。所收集的I/Q信号幅度具有不同程度的随机衰减。此外，频率抖动会影响信号的理想性.

实际接收的时域信号和时频信号：

所有LoRa节点发送相同的消息，采集到的物理信号经过同步、符号分割和归一化处理。根据符号长度，将采集到的一维传输信号进行划分，形成数据包。（2图 c ）

由于LoRa信号的非平稳特性，因此利用LoRa信号的时频谱图来建立二维数据集。

然后利用短时傅里叶变换（SFFT）进行处理：

将DFSNet获得的特征向量送入模型进行有效的学习和分类。最后，我们可以通过输入原始样本的置信概率确定LoRa器械 。

论文中的DFSNet结构

基于分数阶小波多分辨率分析，可以得到输入信号的低频分量（概览部分）和高频分量（细节部分）。

 概貌部分：

 细节部分：

将上述两部分写成分数卷积形式：

 因此，利用分数阶小波变换可以逐层构建DFSNet。

分数小波散射网络详细介绍在另一篇：分数小波散射卷积网络_小波散射网络_飞大圣的博客-CSDN博客