15、利用深度学习挖掘射频数据中的时空相关性

利用深度学习挖掘射频数据中的时空相关性

1. 深度学习在射频领域的应用

在当今时代，随着连接设备的大量使用，世界变得越来越紧密。无线连接的物联网（IoT）的广泛应用以及无线自主系统的部署，开启了射频（RF）设备大规模工业部署的新时代。然而，大规模的点对点通信以及无处不在的网络特性，给准确识别射频发射机带来了挑战。

为了建立安全的通信渠道，网络中的每个设备都需要能够高度自信地识别其对等设备。传统的通过交换“密钥”进行主机识别的方法容易受到恶意攻击，因为这些系统的实际实现往往在加密方面不够完善。因此，可以利用发射机的内在特性来创建“指纹”，用于发射机识别系统。

每个发射机，无论看起来多么相似，由于其底层组件（如放大器、滤波器、混频器）的不完美以及发射天线的物理特性，都具有独特的内在特征。制造过程中的误差和硬件电路的特性也会影响通过特定设备传输的信号的时空特性。

• 发射机识别 ：发射机的内在异质性可以用于创建唯一标识符。例如，信号的同相（I）和正交（Q）相位分量（I/Q数据）的不平衡就是一种独特属性。但由于发射机数量众多，手动为每个发射机创建“指纹”是不可行的。因此，需要一种自动提取发射机特征并使用所得“指纹”进行区分的方法。这就引出了“发射机指纹识别”的概念，用于发射机分类或识别。
• 调制识别 ：射频领域涵盖了3 Hz到3 THz的广泛电磁频率范围。不同的无线通信类型（如局域网、广播电台、广域网、语音电台、雷达等）根据需求使用不同的射频频段，并采用不同的调制方案。调制识别的任务是识别接收到的信号的调制类型，即使在不知道使用的频段的情况下，也能确定发射机使用的通信类