基于分布外信号增强开放集特定辐射源识别中的非法发射机拒止能力

《IEEE Transactions on Consumer Electronics》：Enhancing Rogue-Emitter Rejection in Open-Set Specific Emitter Identification with Out-of-Distribution Signals

本文针对开放集无线环境中特定辐射源识别(OS-SEI)面临的非法发射机拒止挑战，提出了一种融合残差收缩网络(RSN)、自适应能量正则化和双头偏差网络(DHDN)的创新框架。研究通过类间代表性分布外(OOD)采样筛选困难样本，结合软偏差损失联合建模显隐式偏差，在WiSig和DroneDetect数据集上的实验表明，该方法能有效缓解分类器过度自信问题，显著提升对未知发射信号的检测鲁棒性，为消费电子设备安全认证提供新思路。

　　

随着消费电子设备的爆炸式增长，无线通信环境正面临着前所未有的安全挑战。在物联网(IoT)时代，数以亿计的设备通过无线信号连接，但传统的基于MAC地址或密码签名的身份认证方式日益显得力不从心——它们不仅容易遭受伪造和解码攻击，更难以适配计算资源受限的IoT设备。正是在这样的背景下，射频指纹识别(RFFI)技术应运而生，它通过提取发射设备硬件制造过程中无意引入的独特缺陷，实现了一种轻量级且硬件根植的身份认证方案。然而，现实无线环境本质上是开放动态的，新的未知设备会不断出现，而现有基于深度学习的特定辐射源识别(SEI)方法大多建立在封闭集假设基础上，当面对未知发射信号时，这些模型往往会以过度自信的态度将其误分类为已知类别，导致非法发射机拒止能力严重不足。

为了突破这一技术瓶颈，南京航空航天大学的研究团队在《IEEE Transactions on Consumer Electronics》上发表了题为"Enhancing Rogue-Emitter Rejection in Open-Set Specific Emitter Identification with Out-of-Distribution Signals"的研究论文。该研究创新性地提出了一种端到端的开放集特定辐射源识别(OS-SEI)框架，通过巧妙融合分布外(OOD)信号来增强模型对非法发射机的识别能力。

研究人员采用了几项关键技术方法：首先利用残差收缩网络(RSN)在低信噪比(SNR)条件下稳健提取射频指纹特征；其次提出自适应能量正则化机制，通过类原型和指数移动平均更新的能量统计量动态调整决策边界；接着采用类间代表性OOD采样策略为每个类别筛选困难样本；最后设计双头偏差网络(DHDN)架构，结合软偏差损失联合建模显式与隐式分布偏差。实验数据来源于WiSig数据集（包含174个商用发射机和41个USRP接收机采集的WiFi信号）和DroneDetect数据集（7种无人机射频信号），通过严格的数据划分确保训练与测试集无发射机重叠。

研究结果部分展示了该方法在多方面的优越性能。在闭集分类任务中，该方法在0-20dB信噪比范围内 consistently outperforms 现有方法，特别是在低信噪比条件下仍保持较高识别准确率。非法发射机拒止评估显示，双头偏差网络在AUC-ROC和AUC-PR指标上均显著优于支持向量数据描述(SVDD)、能量基方法和距离基方法等基线模型。消融实验进一步验证了各组件的重要性：移除显式头导致AUC-ROC从0.941降至0.893，移除隐式头降至0.912，而去除软偏差损失也造成性能下降，证实了双头设计与自适应损失函数的协同增效作用。超参数分析表明，正则化强度λ=1时能实现最佳的ID/OOD特征分离，而阈值参数γ>0可有效筛选高置信度困难样本。

通过系统的实验验证，该研究得出以下核心结论：基于残差收缩网络的特征提取器能有效抑制信道噪声并保留 discriminative 射频指纹特征；自适应能量正则化通过动态调整决策边界，显著缓解了分类器的过度自信问题；双头偏差网络通过显式与隐式偏差的联合建模，增强了对细微分布偏移的检测灵敏度。这些技术要素共同作用，使提出的OS-SEI框架在开放集无线环境中实现了更可靠的非法发射机拒止能力。

该研究的重要意义在于为消费电子设备的物理层安全认证提供了新思路。通过将分布外信号有机融入训练过程，不仅提升了模型在动态电磁环境中的适应性，还为资源受限的IoT设备实现轻量级安全认证开辟了可行路径。未来研究方向包括探索自监督的OOD样本生成策略和在线增量学习机制，以进一步提升系统在持续演化无线环境中的长期鲁棒性。