网络信号_通过卷积神经网络优化无线电信号分类

文献来源：Sankhe K, Belgiovine M, Zhou F, et al. Oracle: Optimized radio classification through convolutional neural networks[C]//IEEE INFOCOM 2019-IEEE Conference on Computer Communications. IEEE, 2019: 370-378.

摘要：

本文描述了ORACLE的结构和性能，这是一种仅使用物理层上的IQ样本从大量的比特相似设备（相同的硬件，协议，物理地址，MAC ID）中检测唯一无线电的方法。 ORACLE训练了一个卷积神经网络（CNN），该卷积神经网络平衡了计算时间和准确性，对于16节点的USRP X310 SDR测试平台和大于100个COTS WiFi设备的外部数据库，其分类精度达到了99％。

1.引言

无线频谱感知和感兴趣的频带内的活动无线电识别会直接影响频谱使用。本文通过使用机器学习来检测嵌入在其发射的电磁波中的特征参考信号，从而在共享频谱环境中区分无线电，这一过程也被称为射频指纹提取。本文目标是用无线电硬件前端可利用的信息来实现射频指纹。作者分别考虑了训练和验证时信道不变的情形以及信道改变的情形。本文所提方法ORACLE学习了当信号经过发射机链时，被引入到信号的同相（I）和正交（Q）样本中存在的变化。 ORACLE使用卷积神经网络（CNN）来学习，然后通过由制造过程中固有的随机性引起的特定于设备的变化来识别单个无线电。这些瑕疵存在于构成传输链的模拟元件（数模转换器，带通滤波器，混频器和功率放大器）中，即使它们的制造商和型号相同也是如此。

2.贡献

本文有以下贡献：（1）研究导致IQ样本差异的发射机链中以硬件为中心的特征； （2）提出了一种适用于理想的静态信道环境的CNN架构，此架构只依赖于前端可访问的原始IQ样本，而无需信道估计或通信协议的先验知识；（3）对于动态信道，本文描述了一种反馈驱动的发射机端修改的原则性方案，在接收机处使用信道估计来增加CNN分类器的可区分性。本文通过软件有意在发送器端引入受控的缺陷，同时最大程度地降低误码率的变化。与以前的要求恒定环境条件的工作不同，ORACLE采用“一次训练处处部署”的范例，具有很好的设备分类精度。

3.1射频损伤

本文聚焦于两种射频损伤，I/Q 不平衡，以及直流偏移。

I/Q 不平衡出现的原因是，正交混频器处理I和Q信号路径的RF链的并行部分之间的增益和相位不匹配。增益不匹配会导致幅度不平衡，而正交信号中90°的相位偏差会导致相位不平衡。 由于频率相关的低通滤波器的存在，IQ不平