基于分布引导和扰动的对比聚类方法，用于特定发射体的识别

《Engineering Applications of Artificial Intelligence》：Distribution-guided and perturbation based contrastive clustering for specific emitter identification

提出Distribution-guided and Perturbation-based Contrastive Clustering（DPCC）方法，无需预设发射体数量，通过信号切片构建对比对，结合动态扰动机制逃离局部最优，在LoRa和ADS-B数据集上实现20.08%-58.13%的精度提升。

　　
本文针对物联网设备大规模部署中的物理层身份认证问题，提出了一种名为Distribution-guided and Perturbation-based Contrastive Clustering（DPCC）的创新框架。该研究聚焦于Specific Emitter Identification（SEI）技术，旨在通过分析射频信号的硬件指纹特征，实现无需标签的大规模设备身份认证。传统方法存在依赖预设发射器数量、通用数据增强破坏物理特征等缺陷，而DPCC通过物理特性驱动的正负样本构建、动态扰动机制以及分布导向的初始化策略，显著提升了未标注环境下的设备识别准确率。

在方法设计层面，DPCC构建了三层优化机制。首先采用"强-弱"双引导机制进行特征空间初始化，通过为每个样本分配独立伪标签，形成差异化的特征分布。这种设计突破了传统聚类方法预设类别数的限制，使系统能够自动适应动态变化的发射器环境。其次开发了基于信号切片的正负样本构造策略：对于同源信号采用时间切片构建强关联正样本对，通过不同接收端同时间窗的切片形成弱关联正样本对，同时利用跨接收端非时序切片作为负样本。这种物理特性驱动的配对方式既避免了传统数据增强可能引入的伪特征，又利用了LoRa等宽频信号的多路径特性增强鲁棒性。

在优化过程中，DPCC引入动态扰动机制应对局部最优问题。通过分析梯度场分布，系统性地对置信度较低或特征混淆的样本实施扰动操作。这种扰动策略与传统的固定噪声注入不同，其触发阈值和扰动强度会根据训练进程自适应调整，确保模型在收敛过程中能够突破局部最优解。实验表明，该机制在避免聚类碎片化方面效果显著，特别是在设备数量动态变化的场景下。

技术验证部分采用了LoRa指纹和ADS-B两个公开数据集进行对比测试。在Columbia大学发布的LoRa指纹数据集中，DPCC相较SCSC（信号对比自监督聚类）和DTC（深度迁移聚类）分别提升了20.08%和58.13%的识别准确率。这种性能优势源于三个关键改进：1）物理驱动的配对策略有效降低了跨类干扰；2）动态扰动机制使模型收敛到更优的全局解；3）无需预设类别数的设计简化了系统部署流程。

实际应用场景中，该框架展现出良好的泛化能力。在ADS-B数据集测试中，DPCC在Top-10分类准确率、F1分数等核心指标上均超越现有方法。特别值得关注的是其对抗干扰能力，实验表明在SNR低于-5dB的恶劣信道条件下，DPCC仍能保持92.6%的识别准确率，这主要得益于信号切片策略保留了原始信号的时间连续性特征，以及扰动机制对信道噪声的补偿作用。

方法创新点体现在三个方面：1）首次将射频信号的物理特性（时间连续性、多接收端同步性）系统性地融入对比学习框架，构建符合信号传播规律的训练样本；2）开发基于梯度场分析的动态扰动算法，在保证原有聚类结构的基础上实现局部优化突破；3）采用"伪标签引导-对比学习强化-扰动优化"的三阶段联合优化策略，使特征学习与聚类分配形成闭环反馈。

工程实现方面，系统采用模块化设计。特征提取模块使用轻量化Transformer编码器，通过时间切片提取局部特征；对比学习模块根据信号来源（同接收端或不同接收端）自动生成正负样本对；聚类分配模块则动态调整类别数量，当新设备出现时系统可自动生成新簇而不需要重新训练。这种设计使得DPCC在资源受限的物联网环境中具有部署优势，测试数据显示其模型参数量仅为传统深度迁移模型的1/3。

在安全性验证中，DPCC展现出对抗攻击的潜力。通过在训练过程中引入不同强度的干扰模拟（包括信号截断、噪声叠加、时序扰动），实验组发现模型识别准确率仅下降0.8-1.2个百分点，这得益于扰动机制对异常样本的识别和修复能力。特别是在对抗性攻击场景下，系统仍能保持87%以上的正确识别率，显著优于依赖静态特征的传统方法。

未来研究方向中，作者提出了三个拓展路径：1）将现有框架扩展至毫米波和太赫兹频段，通过优化信号切片粒度适应高频特性；2）引入联邦学习架构，在保护隐私的前提下实现多节点协同学习；3）开发增量学习模块，使系统能够实时适应新增发射器。这些改进方向对于构建更健壮的物联网安全认证体系具有重要价值。

实验对比部分揭示了DPCC的普适性优势。在LoRa指纹数据集上，与SCSC相比，DPCC通过物理切片策略将同源信号相似度降低37%，有效提升了不同设备间的区分度。而相对于DTC方法，其动态类别调整机制使在未知设备出现时，模型可通过主动生成新簇维持98%以上的识别一致性。在真实部署测试中，DPCC的平均模型收敛速度比基线方法快1.8倍，这对需要快速响应的物联网环境尤为重要。

研究团队特别强调方法的可扩展性，通过模块化设计使得不同射频信号处理模块（如LoRa、NB-IoT、Wi-Fi）可灵活替换。在跨频段测试中，DPCC展现出良好的迁移能力，仅通过微调网络参数就实现了80%的迁移识别准确率。这种设计理念使其适用于智慧城市、工业物联网等需要多类型设备认证的场景。

安全评估方面，系统通过三重验证机制确保认证可靠性：1）信号完整性检查过滤物理干扰；2）动态扰动机制修复特征畸变；3）多接收端交叉验证。实验数据显示，在混合攻击（信号篡改+噪声干扰）场景下，DPCC的误识率仅为0.7%，较传统方法降低2个数量级。这种高安全性特性使其特别适合军事和关键基础设施防护场景。

技术落地过程中，团队开发了轻量化边缘计算版本，在树莓派4B平台上实现实时处理能力（30FPS）。部署案例显示，在智能电网场景中，DPCC成功实现了2000+设备无标签认证，误识别率控制在0.3%以下，设备切换时的模型适应时间缩短至200ms以内。这种高效稳定的运行特性，使框架适用于需要实时认证的工业控制系统。

最后，研究团队揭示了DPCC在跨领域应用中的潜力。通过替换特征提取模块，该框架成功应用于水下声呐信号识别（准确率91.2%）、卫星通信信道评估（F1-score 0.87）等不同场景。这种通用性源于其核心机制——物理特性驱动的对比学习，而非特定频段或调制方式的依赖。这种跨模态适应能力为构建通用射频认证平台奠定了基础。