分布式信号智能实现自动识别系统中的隐私保护船舶认证

《Ocean Engineering》：Distributed signal intelligence enables privacy-preserving vessel authentication in Automatic Identification System

　　

•开发了一种隐私保护的联邦框架用于船舶认证。•自适应多因子归一化处理异构客户端更新。•双侧动量机制在少样本非独立同分布（non-IID）设置下改善收敛性。•分布式训练使船舶认证无需共享原始I/Q数据。•AIS-10和USRP-10实验证明了有效性和鲁棒性。

**引言**

可靠的船舶识别与认证是海上交通监管、航行安全和智能航运系统安全运行的基础。自动识别系统（AIS）通过向附近船舶和岸基站广播身份、位置和航行信息来支持船舶跟踪和态势感知（Guo et al., 2024）。然而，识别并不等同于认证。AIS消息报告如海上移动业务识别码（MMSI）等标识符，但标识符本身并不能证明该消息确实来源于对应的物理发射器。传统的AIS协议以明文方式传输消息，不提供原生的源认证或消息完整性保护机制。因此，攻击者可以克隆合法的MMSI、伪造船舶、修改传输信息或重放先前观察到的消息（Balduzzi et al., 2014; Aziz et al., 2020）。这些漏洞使得身份真实性成为一个独立且要求更高的问题，与从AIS消息中提取身份字段不同（Louart et al., 2024; Duzenli et al., 2025; Lv et al., 2025）。因此，核心认证问题是验证声明的数字船舶身份与生成所接收波形的物理发射器之间的绑定关系。已记录的攻击事件进一步表明，被操纵的AIS消息可以制造虚假的海上交通图景并可能误导航行决策（Androjna et al., 2021）。

加密认证已被研究作为直接增强AIS消息安全的手段。Goudossis和Katsikas（2019）探讨了用于AIS的基于身份的公钥和对称密码机制，而Aziz等人（2020）提出了SecureAIS以保障点对点船舶通信安全。Sciancalepore等人（2022）开发了Auth-AIS，这是一个符合标准且向后兼容的船舶广播认证框架。Wimpenny等人（2022）进一步研究了使用甚高频（VHF）数据交换系统（VDES）侧信道的公钥认证。这些研究表明，加密保护可以比未受保护的MMSI字段提供更强的消息来源和完整性保证。然而，实际部署需要凭证配置、信任和密钥管理、兼容的收发端实现以及额外的通信或认证开销。此外，当传统收发器上无法获得认证或凭证被泄露时，消息级标识符无法提供关于发射设备的独立物理证据。因此，物理层验证作为补充认证机制具有价值，而非替代加密保护。

现有的反制措施主要从船舶行为或通信记录评估消息可信度。Zhang等人（2020）通过检查船舶时空行为的不一致性来检测MMSI欺骗，而Zheng等人（2023）将轨迹分割与孤立森林相结合。Campbell等人（2022）使用机器学习识别无效或伪造的AIS消息，Nguyen等人（2018）开发了多任务架构从AIS数据流中学习船舶行为。最近，Lv等人（2025）无监督地学习潜在行为模式，而Louart等人（2024）将轨迹信息与信号衍生特征相结合。这些方法对于检测不合理行为很有价值，但其决策仍然是身份的间接证据。一个精明的攻击者可能在克隆的标识符下传输运动学上合理的轨迹，而损坏或不完整的观测可能使合法船舶看起来异常。因此，消息级和轨迹级的一致性并不一定能确立底层物理发射器的真实性。

AIS观测的可靠性带来了额外的挑战。数据包冲突、有限的接收器覆盖范围、干扰和传播条件可能引入异常值、随机噪声和缺失的时间戳报告。Liu等人（2021）表明退化的轨迹记录可能影响海上监控、导航和避碰服务，并提出了一种检测和恢复损坏点的两阶段框架。Liang等人（2024）随后开发了AISClean来识别噪声观测并在不确定条件下重建包含缺失数据的轨迹。此类预处理提高了轨迹分析的可靠性，但无法验证是哪个无线电设备生成了格式正确的消息。对于认证而言，噪声和缺失数据有两个进一步的后果。噪声和信道失真可能掩盖微妙的射频指纹，而丢包减少了单个接收器上可用的训练样本数量。后一种效应加剧了分布式系统中的少样本学习和客户端不平衡问题。所提出的框架旨在缓解由此产生的优化不稳定性，但并不重建缺失的轨迹或在任意严重的信号退化下保证可靠的认证。因此，我们将由传播和低信噪比（SNR）引起的物理层退化与消息级轨迹损坏和缺失数据区分开来，并分别讨论它们的各自影响。

物理层识别通过将接收到的波形与发射器特定的硬件特征关联来提供补充证据。振荡器、功率放大器和射频前端中的微小制造差异会产生可重复的、虽然对信道敏感的辐射特征。这些特征不会仅仅因为改变MMSI字段而发生变化。Louart等人（2024）证明了载波频率偏移（CFO）作为AIS欺骗检测辐射特征的价值。Qian等人（2021）为AIS发射器的特定发射器识别（SEI）引入了多级稀疏表示，Deng等人（2023）开发了一种轻量级Transformer用于自动特征学习。后续研究解决了类别增量识别和有限标签表示学习问题（Li et al., 2024b; Li et al., 2025）。物理层设备识别也被研究作为海上交通感知中的认证机制（Li et al., 2024a）。因此，物理层SEI通过测试观察到的发射器特征是否与声明的船舶身份一致来补充加密、消息级和轨迹级检查。然而，由于射频指纹对接收器硬件、传播信道和SNR敏感，鲁棒的SEI需要能够适应异构观测的学习机制。

然而，大多数深度SEI方法假设可以集中访问足够大的标注数据集。在海上监控网络中，原始同相和正交（I/Q）信号由地理分布的海岸、港口或边缘接收器收集。将这些信号上传到中心服务器可能受到隐私和数据治理要求、通信成本和运营政策的限制。此外，接收器观察到不同的船舶、传播信道、信噪比和样本量。因此，它们的本地数据集较小、统计上异构且非独立同分布（non-IID）。联邦学习（FL）使多个接收器能够训练共享模型而不交换原始观测数据。最近的研究证明了在低资源和无标签数据条件下联邦SEI的可行性（Shi et al., 2024; Shen et al., 2024）。然而，强non-IID和少样本分区仍然会产生分歧的本地更新、不稳定的聚合和缓慢的全局收敛。因此，实用的海上认证框架必须保持原始数据本地性，同时解决分布式接收器之间的优化异构性问题。

为解决这一差距，我们提出了联邦自适应多因子归一化（FedAMN），一个在异构和数据稀缺条件下用于分布式SEI的动量辅助联邦学习框架。FedAMN允许接收站协作而无需传输原始I/Q样本。其自适应聚合规则结合了本地数据量、已完成的本地epoch、性能历史和局部损失，而本地和服务端动量机制旨在减少客户端漂移和轮次间的更新变异。我们强调，原始数据本地性减少了与集中波形收集相关的暴露和通信成本，但并未提供差分隐私或安全聚合的正式隐私保证。主要贡献如下：

•我们将AIS物理层船舶验证表述为一个联邦SEI问题，其中地理分布的接收器保持其原始波形样本本地，同时联合学习一个全局分类器。•我们开发了FedAMN，它将多因子客户端加权与本地和服务端动量相结合，以解决异构客户端数据和不稳定的少样本更新问题。•我们在真实AIS信号和一个互补的受控USRP数据集上进行评估，包括两种客户端数量和两种Dirichlet集中度参数，并报告了收敛性、类别级、消融、超参数和客户端权重分析。

本文其余部分组织如下：第2节定义分布式SEI问题并总结符号表示。第3节介绍FedAMN。第4节描述数据集、实验协议和结果。第5节总结全文并概述其局限性和未来方向。

**章节摘要**

**问题定义**

表1总结了本文中使用的主要数学符号。在分布式海上监控系统中，船舶身份通常从地理分布的海岸或边缘接收站收集的AIS消息中推断得出。然而，仅凭消息级标识符在对抗性环境中无法保证来源真实性。一种互补方案是利用AIS信号中发射器特定的物理层特征，这些特征源于……

**带动量正则化的本地训练**

如图1所示，客户端 $i \in \mathcal{C}$ 在通信轮次 $t$ 时将其本地参数向量初始化为 $\boldsymbol{\theta}_i^{(0,t)} = \boldsymbol{\theta}_t$。本地模型是基于残差网络的一维卷积神经网络（1D CNN）（Li et al., 2024b）。本地训练使用带有Nesterov动量0.9的随机梯度下降（SGD），初始学习率为0.01，权重衰减为 $2 \times 10^{-4}$。客户端 $i$ 在第 $t$ 轮完成 $E_{i,t}$ 个本地epoch。在报告的实验中，所有客户端的 $E_{i,t} = E_{\max} = 5$，且通信……

**实验结果**

本节描述数据集和评估协议，将FedAMN与代表性的FL基线进行比较，并分析收敛性、类别级错误、组件贡献、超参数敏感性和客户端级聚合行为。

**结论**

本文提出了FedAMN，一个在少样本、非IID客户端分区条件下用于AIS特定发射器识别的动量辅助联邦框架。FedAMN将多因子聚合与本地和服务端动量相结合，同时在收集客户端处保留原始波形样本。在评估的八种数据集、客户端数量和Dirichlet参数组合中，FedAMN在所有比较的FL方法中实现了第100轮的最高准确率。在10客户端、$\alpha=0.5$的设置中，它……

**CRediT作者贡献声明**

Dingzhao Li：写作–审阅与编辑、写作–初稿、可视化、软件、资源、项目管理、方法论、调查研究、形式分析、数据管理、概念化。Mingyuan Shao：写作–审阅与编辑、写作–初稿、方法论、调查研究、形式分析、数据管理。Xiaowei Chen：写作–审阅与编辑、写作–初稿、方法论、形式分析、数据管理、概念化。Jie Qi：写作–原始……

**基金资助**

本工作部分由国家自然科学基金（批准号62371405）资助，部分由福建省自然科学基金（批准号2025J08146）资助，部分由国家水下声对抗重点实验室开放基金（批准号JCKY2025207CH01）资助。

**利益冲突声明**

作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：有待批准的专利。如有其他作者，他们声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

Dingzhao Li | Mingyuan Shao | Xiaowei Chen | Jie Qi | Shaohua Hong | Haixin Sun