文章来源：微信公众号：EW Frontier
原型校准域自适应射频指纹识别
题目
基于原型校准的开集域自适应射频指纹识别
摘要
作为无线物联网（IoT）设备的基础安全机制，射频指纹识别（RFFI）在开放环境和跨域部署中面临重大挑战。在现有基于深度学习的开集识别（OSR）方法中，基于原型的方法被广泛采用。然而，由于信道效应、设备负载变化等因素，这些方法常存在原型漂移以及源域与目标域间特征失准的问题。为解决这些挑战，本文提出一种由伪标签和域对抗神经网络（DANN）引导的原型校准域自适应框架（PCPD）。该框架首先利用原型网络学习源域中每个类别的判别性表示，随后通过伪标签损失和域判别器动态校准发生域偏移的原型点，增强跨域特征对齐效果。基于校准后的原型，该方法显著提升了跨域场景下的开集识别性能。实验结果表明，PCPD 优于当前主流算法，在跨域条件下使开集识别准确率实现了约 10.8% 的提升。
引言
随着无线技术的快速发展，无线通信已成为现代生活中不可或缺的一部分。利用射频指纹（RFF）的唯一性进行设备识别是无线通信安全的基石 [1]。然而，无线通信媒介的固有开放性使得恶意用户能够伪造合法特定设备身份侵入私有网络 [2]，导致隐私泄露和财产损失事件频发 [3][4]。因此，采用可靠的射频指纹识别技术建立无线通信防御机制，对保障无线通信安全具有重要意义。
传统射频指纹方法主要依赖人工设计特征（如发射机 I/Q 不平衡特征 [5]），并从信号包络中提取统计特征用于识别 [6]。随着深度学习的发展，已知设备分类领域取得了诸多突破，常用于射频指纹自动提取与判别的网络架构包括 CNN [7]、RNN [8] 和 ResNet [9] 等。但这些方法均基于闭集假设，而闭集模型在处理未知设备时的关键局限性，凸显了对开集识别（OSR）方法的迫切需求。
现有开集识别方法中，存在一种融合 ResNet 和 TransformerEncoder 捕获特征的多域特征融合策略 [10]；同时，GCPL [11]、ARPL [12] 和 JRFFP-SC [13] 等判别性特征学习方法能够为已知类别构建可分离的特征空间。然而，当部署于动态无线环境时，这些方法的性能会显著下降 [14]。性能下降的主要原因是无线信道的固有可变性和设备运行状态引发的域偏移 [15][16]，这些信号和设备负载效应导致底层数据分布发生不可预测的偏移，成为射频指纹识别中鲁棒开集识别面临的核心挑战。
为解决信道失真和设备负载变化导致的原型漂移与跨域特征失准问题，本文提出一种新型原型校准框架，通过协同稳定原型定位与增强开集判别能力，实现鲁棒的射频指纹识别。基于原型网络在跨信道场景下能够形成稳定、紧凑的硬件缺陷聚类的固有优势，PCPD 包含三大核心创新点：
（1）一种原型校准域自适应框架，能够根据信号环境变化动态校准原型，提升开集识别的鲁棒性；
（2）一种双路径优化机制，协同域对齐与动态伪标签校正以修正漂移的原型，增强开集识别中射频指纹识别的泛化能力。
方法简介
PCPD 是一种新型开集域自适应（OSDA）方法，其框架包含数据预处理模块、基于原型的开集识别模块和原型校准模块三部分。
1. 预处理
本文针对采用 IEEE 802.11 正交频分复用（OFDM）信号的 WiFi 设备进行射频指纹识别研究。发射机的数字正交调制缺陷（如数模转换器非线性、振荡器漂移）会在基带信号上留下独特印记，再经射频电路和电磁信道传播后，最终接收信号会包含加性高斯白噪声（AWGN）。为提取信道不变特征，本文计算相邻符号位的对数谱差异，该特征可反映源信号自身频谱特性的相对变化，消除信道引起的慢变幅度波动，为后续神经网络提供鲁棒输入。
2. 基于原型网络的开集识别
为增强类内紧凑性和类间分离性，设计原型损失函数优化特征判别能力，该函数通过最小化同类样本与原型的距离、最大化异类样本与原型的距离实现 [17]。为每个已知设备类别定义特征空间中的原型向量，将预处理后的频谱特征输入 ResNet-18 提取 D 维嵌入，原型向量由支持集样本的特征均值生成。原型损失函数结合欧氏距离度量和对比学习机制，同时通过数据驱动方式确定类特异性距离阈值 θ，平衡已知类包含与未知类排除效果。
3. 基于伪标签和 DANN 的原型校准
为解决信道效应引发的原型失准问题，融合 DANN 与伪标签机制：
•
DANN 原型校准：采用 DANN 结构缓解源域与目标域分布差异，特征提取器通过梯度反转层（GRL）与域判别器进行对抗训练，学习域不变特征表示，获取对抗损失；
•
伪标签原型校准：引入基于置信度的伪标签机制，对目标域样本，若分类器输出的最大概率值超过预设阈值 τ，则生成伪标签。基于筛选后的伪标签样本设计伪标签交叉熵损失，最终整体优化目标为原型损失、域对抗损失与伪标签损失的加权组合。
PCPD 采用模块化设计，支持灵活替换骨干网络（如 ResNet 变体、LSTM、ViT），且避免了标准域自适应方法中为分布匹配牺牲射频指纹判别性的过对齐问题。
结论
本文提出一种由伪标签和 DANN 引导的原型校准域自适应网络（PCPD）。该框架通过融合原型网络、DANN 与伪标签机制，提升了开集场景下模型对未知设备的识别能力和跨域泛化性能。在单源域和多源域开集识别场景中，PCPD 在多个评价指标上的显著优势表明，其不仅在射频指纹识别任务中具备强劲性能，还拥有出色的跨域泛化能力，为开集域自适应需求提供了一种新的解决方案。
未来工作将聚焦于开发通用的多分类框架，并设计适用于边缘部署的轻量化模型，以构建成熟的射频指纹识别系统，满足实际物联网场景的需求。
