LoRaWAN中的轻量级多属性物理层认证:知识蒸馏与直接训练的对比研究
《Future Internet》:Lightweight Multi-Attribute Physical Layer Authentication in LoRaWAN: A Comparative Study of Knowledge Distillation and Direct Training
【字体:
大
中
小
】
时间:2026年08月29日
来源:Future Internet 4.6
摘要
LoRaWAN凭借其远距离通信能力和低功耗,已成为物联网应用中广泛采用的通信技术。然而,资源受限的LoRaWAN网络仍然容易受到物理层攻击,如干扰攻击和电池耗尽攻击。本文研究了用于LoRaWAN网络中轻量级多属性物理层认证(PLA)的架构压缩与知识蒸馏(KD)方法。该研究采用较高容量的教师模型来训练逐步缩小的学生模型,并系统地比较了三种学生模型训练策略——直接训练、硬知识蒸馏和软知识蒸馏——以确定教师监督是否能在架构压缩之外提供额外优势。该框架使用接收信号强度指示器(RSSI)、海拔和电池电量作为输入属性,并通过基于公开可用的布尔诺LoRaWAN数据集构建的设备感知半合成数据集进行离线评估。生成的数据集包含正常通信、干扰攻击和电池耗尽攻击三种类型的流量。实验结果表明,学生模型(8)在所有三种训练策略下均保持了接近教师的分类性能,直接训练的宏F1分数为90.619 ± 0.056%,硬知识蒸馏为90.591 ± 0.069%,软知识蒸馏为90.626 ± 0.083%,而教师的宏F1分数为91.007%。学生模型(8)将可训练参数数量从2435个减少至59个(减少97.6%),序列化模型大小从46.65 KB降至2.80 KB(减少94.0%),同时在所评估的基于CPU的实现中表现出明显更高的批处理吞吐量。特征消融分析进一步表明,RSSI和电池电量提供了主要的判别信息,而海拔提供了较小但可测量的上下文贡献。直接训练、硬知识蒸馏和软知识蒸馏之间可比的性能表明,知识蒸馏在所评估的学生架构中并不始终优于直接训练;相反,架构压缩本身在很大程度上解释了保留的性能。这些发现表明,紧凑的学生架构可以大幅降低模型复杂度,同时在所评估的多属性PLA框架中保持强大的分类性能,支持进一步研究LoRaWAN部署中的轻量级网络侧安全机制。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号