基于射频信号特征提取与集成学习的无人机指纹识别技术DrIfTeR研究

针对民用无人机激增引发的隐私与安全隐患，研究团队提出基于射频(RF)信号的无人机指纹识别技术DrIfTeR。通过小波域特征提取与三阶段分解预处理，结合机器学习与集成学习模型，实现对无人机存在检测、制造商识别及型号分类的高精度判定。该技术突破传统光学/雷达检测局限，为关键基础设施防护提供创新解决方案。

　　

随着全球无人机(UAV)市场规模预计在2030年达到548.1亿美元，其滥用导致的隐私侵犯与安全威胁日益严峻。传统检测手段如雷达、视频监控受限于体积识别、天气干扰及非视距条件，而基于声学的方法易受环境噪声影响。射频(RF)指纹技术因具备设备唯一性识别潜力，成为解决这一痛点的突破口。

由国内研究团队发表在《Forensic Science International: Digital Investigation》的DrIfTeR研究，创新性地融合小波域特征提取与多模态机器学习。该技术首先通过3阶段小波分解处理2.4GHz ISM频段信号，克服蓝牙、WiFi等同频段设备的干扰难题；继而采用支持向量机(SVM)、随机森林等6种算法构建分类体系，在基准数据集上实现制造商与型号的双重识别。

关键技术方法
研究使用高分辨率示波器捕获无人机与地面控制器(UAV RC)的通信信号，通过小波包变换(WPT)提取时频域特征。采用K-fold交叉验证评估性能，对比指标包括准确率、F1值及真阳性率(TPR)。数据源自多款商用无人机，涵盖不同飞行状态下的RF指纹。

研究结果

1. 无人机检测：DrIfTeR在存在性判定中准确率达98.7%，显著优于传统频谱分析方法。
2. 制造商识别：集成模型将大疆(DJI)、Parrot等品牌区分准确率提升至96.2%，关键特征为信号瞬态响应。
3. 型号分类：针对Phantom 4与Mavic系列，模型TPR达94.5%而误报率(FPR)低于1.8%，证实小波系数对微差异的敏感性。

结论与意义
该研究首次将三阶段小波分解与集成学习结合应用于无人机取证，突破单一算法在复杂环境中的性能瓶颈。实验证实RF指纹可稳定识别BLOS(超视距)条件下的无人机，为机场、军事禁区等场景提供全天候监控方案。未来通过扩展数据集与优化特征选择，该技术有望成为无人机空中交通管理的核心组件。作者团队特别指出，该方法无需硬件改造即可兼容现有监测系统，具备显著的成本优势与推广价值。