Noise-Robust Radio Frequency Fingerprint Identification Using Denoise Diffusion Model
作者: Guolin Yin, Junqing Zhang, Yuan Ding, Simon Cotton
发布时间: 2025-03-10
来源: arxiv
研究方向: 物联网（IoT）安全与无线通信
主要内容
本文研究了在物联网设备中，利用射频指纹识别（RFFI）技术进行身份验证，并针对低信噪比（SNR）环境下RFFI性能退化的问题，提出了一种基于扩散模型（DM）的降噪方法，以恢复RFFI特征。
主要贡献
1. 将扩散模型应用于RFFI中的降噪，有效去除噪声并恢复RFFI特征。
2. 提出了一种基于Transformer的RFFI方法，通过集成噪声预测器，设计了SNR映射方法，使噪声预测器能够准确去除噪声并高效恢复RFFI。
3. 在多种SNR环境下对所提出的方法进行了实验评估，结果表明该方法在低SNR条件下能够显著提高分类准确率，最高可达34.9%。
研究方法
1. 扩散模型训练：通过正向过程和反向过程训练噪声预测器。
2. 噪声去除：使用训练好的噪声预测器去除噪声，恢复RFFI特征。
3. SNR映射：根据当前信号的SNR值确定最优去噪步骤。
4. 分类器设计：使用Transformer结构进行特征提取和分类。
5. 数据增强：通过添加高斯噪声增加训练数据集的多样性。
6. 实验评估：使用Wi-Fi作为案例研究，通过实验验证了所提出方法的有效性。
实验结果
实验结果表明，所提出的方法在低SNR条件下能够显著提高RFFI的分类准确率，最高可达34.9%。在0 dB的SNR下，该方法比基线模型提高了34.9%的准确率。
未来工作
未来可以进一步研究以下方向：1）将该方法应用于其他无线通信场景；2）优化扩散模型的训练过程；3）提高SNR映射的准确性；4）研究其他噪声去除方法。