DeepCRF：基于深度学习和信道状态信息（CSI）的射频指纹识别技术，用于实现抗干扰的WiFi设备身份验证

《IEEE Transactions on Information Forensics and Security》：DeepCRF: Deep Learning-Enhanced CSI-Based RF Fingerprinting for Channel-Resilient WiFi Device Identification

本文提出DeepCRF框架，通过深度学习提取信道状态信息（CSI）中的微信号，增强商业WiFi设备射频指纹识别能力，解决传统方法在非视距场景下的鲁棒性问题。实验表明，该框架在19种设备、4次CSI测量下平均识别准确率达99.53%，优于现有信号空间和神经网络基准方法。

　　

摘要：

本文提出了DeepCRF这一新框架，该框架利用深度学习从信道状态信息（CSI）测量中提取微妙信号，从而能够在多种信道条件下实现对商用现成（COTS）WiFi设备的鲁棒且具有弹性的射频指纹识别（RFF）。在我们之前的研究基础上，我们发现CSI中的微信号（称为micro-CSI）很可能来源于射频电路的缺陷，并且可以作为独特的射频指纹。为此，我们开发了一种新的方法来克服之前基于信号空间的方法的局限性。虽然基于信号空间的方法在视距（LoS）条件下效果良好，但它在非视距（NLoS）场景中表现不佳，影响了基于CSI的RFF的鲁棒性。为了解决这一问题，DeepCRF结合了经过精心训练的卷积神经网络（CNN）、基于模型的数据增强技术、监督对比学习和决策融合技术，从而提高了其在未见信道条件下的泛化能力和抗噪声能力。我们的评估表明，DeepCRF在多种信道条件下显著提高了设备识别精度，优于基于信号空间的基线和最先进的基于神经网络的基准方法。值得注意的是，在使用每次识别4次CSI测量的实际未见场景中，其平均识别精度达到了99.53%。

引言

在物联网（IoT）模式下，低成本无线设备的快速普及以及无线传输介质的广播特性，给无线网络带来了严重的安全挑战[2]。传统的安全与网络管理系统假设每个物理节点都有一个唯一的身份，并遵循一对一的节点到身份映射关系。然而，MAC地址随机化等做法以及Sybil攻击等漏洞破坏了这一假设[3]。这些问题导致一个设备可以生成多个身份，从而表现为多个设备，使得网络管理和异常检测变得复杂，并导致资源因非法使用而枯竭。因此，开发一种一致且资源高效的标识符来唯一识别发射器至关重要。