Diversification des Données pour l'Identification d'Empreinte RF
Résumé
This paper proposes to improve the resilience of the Radio Frequency Fingerprint (RFF) identification to the propagation channel effects by massively diversifying the transmitted data. RFF refers to a unique signature resulting from signal distortions caused by the imperfections of the hardware transmission chains. RFF identification mainly relies on supervised Deep Learning (DL) techniques, which require an unbiased training database to avoid over-fitting the propagation channel environment. This can be achieved during signal acquisition by acquiring many different channel realisations. However, designing such database is time-consuming, mainly due to the diversity process. In this paper, instead of adding diversity to the channel, we propose to add diversity to the data to improve the data acquisition time of up to 16 times.
Ce papier propose d'améliorer l'identification par empreinte Radio Frequence (RF) quelques soit l'environnement de propagation en diversifiant les données transmises. Une empreinte RF est une signature unique créée par les distorsions des différents composants matériels du dispositif radio. L'identification par empreinte RF est principalement basée sur des techniques d'apprentissage supervisées Deep Learning, qui nécessitent une Base De Données (BDD) d'entraînement permettant un apprentissage robuste. La conception de cette BDD étant chronophage, nous proposons d'ajouter la diversité aux données pour accélérer jusqu'à 16 fois le temps d'acquisition des données par rapport à la diversité de canal.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |