CN116522228B - 一种基于特征模仿联邦学习的射频指纹识别方法 - Google Patents

一种基于特征模仿联邦学习的射频指纹识别方法 Download PDF

Info

Publication number
CN116522228B
CN116522228B CN202310486497.1A CN202310486497A CN116522228B CN 116522228 B CN116522228 B CN 116522228B CN 202310486497 A CN202310486497 A CN 202310486497A CN 116522228 B CN116522228 B CN 116522228B
Authority
CN
China
Prior art keywords
global
radio frequency
classifier
federal
frequency fingerprint
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310486497.1A
Other languages
English (en)
Other versions
CN116522228A (zh
Inventor
林云
史继博
王世豪
桂冠
王禹
史清江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202310486497.1A priority Critical patent/CN116522228B/zh
Publication of CN116522228A publication Critical patent/CN116522228A/zh
Application granted granted Critical
Publication of CN116522228B publication Critical patent/CN116522228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/69—Identity-dependent
    • H04W12/79—Radio fingerprint
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Bioethics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种基于特征模仿联邦学习的射频指纹识别方法，它涉及一种射频指纹识别方法。本发明为了解决传统深度学习方法隐私安全无法保证，传统联邦学习方法在边缘数据异构分布场景下性能差的问题。本发明在边缘数据异构分布场景下，本发明采用本地分类器和联邦平均全局分类器对伪特征预测值之间的KL距离对全局分类器进行优化，得到全局分类器，更适应数据异构分布场景。本发明属于数字信号处理技术领域。

Description

一种基于特征模仿联邦学习的射频指纹识别方法
技术领域
本发明涉及一种射频指纹识别方法，属于数字信号处理技术领域。
背景技术
射频指纹识别是指通过信号处理手段，对采集的无线信号进行特征提取，从而实现辐射源设备个体识别的一项技术。其可以应用于大多数现存无线通信设备的识别和认证过程，提高无线网络的安全性能。然而，。射频指纹识别技术需要对辐射源的无线信号进行采集与分析，在此过程中面临着严重的数据隐私安全问题，引发严重的隐私安全隐患。
个性化联邦学习是一种分布式计算范式，可以为神经网络训练过程提供强大的匿名性和隐私保证。联邦学习使每个参与者能够在多个节点之间共同训练数据，而无需直接交换数据，从而达到建立共享的、全局有效的人工智能学习模型的目的，并且在面对边缘异构分布数据仍能保持很高的识别性能。
目前，基于传统深度学习的射频指纹识别方法的隐私安全无法保证，而且基于传统联邦学习的射频指纹识别方法在边缘数据异构分布场景下的性能也较差。
发明内容
本发明为解决传统深度学习方法隐私安全无法保证，传统联邦学习方法在边缘数据异构分布场景下性能差的问题，进而提出一种基于特征模仿联邦学习的射频指纹识别方法。
本发明为解决上述问题采取的技术方案是：本发明的具体步骤为：
步骤一、服务器初始化全局神经网络模型，并将全局模型发送给所有参与方；
步骤二、服务器选择满足条件的参与方作为联邦训练参与方进行训练；
步骤三、每一个参与方将采集到的基带I/Q信号作为本地数据集输入本地特征提取器，得到原始射频指纹特征，同时，训练本地神经网络，更新本地神经网络模型参数；
步骤四、每一个参与方，将原始射频指纹特征输入到条件变分自编码器中，得到射频指纹伪特征；
步骤五、所有训练参与方将其本地神经网络模型参数以及射频指纹伪特征上传给服务器；
步骤六、服务器端使用联邦平均算法对所有本地神经网络模型参数进行聚合，得到联邦平均模型参数；
步骤七、服务器将每个参与方提供的射频指纹伪特征分别输入到本地特征提取器和联邦平均全局分类器中，得到本地分类器预测和联邦平均全局分类器预测；
步骤八、服务器计算每个参与方的分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失对联邦平均全局分类器进行训练优化，得到最终的全局分类器；
步骤九、服务器将联邦平均全局特征提取器作为全局特征提取器，并将全局特征提取器与全局分类器组合成全局神经网络模型发送给所有参与方进行下一轮迭代训练。
进一步的，步骤一中服务器初始化全局神经网络模型GM0，其模型参数GW0，全局神经网络由全局特征提取器GFE0和全局分类器GClf0组成，即GW0＝WGFE 0+WGClf 0，其中，WGFE 0为第0轮全局特征提取器参数，WGClf 0为第0轮全局分类器参数；随后服务器将全局模型发送给所有K个参与方；所有参与方将初始化神经网络模型的参数作为本地神经网络模型的第0轮模型参数Wk 0，其中k∈K，所有参与方的本地神经网络由特征提取器FEk和分类器Clfk组成，即其中/>为第k个参与方第0轮的特征提取器参数，/>为第k个参与方第0轮的分类器参数。
进一步的，步骤二中服务器选择Nk个参与方作为联邦训练参与方进行第t轮训练。。
进一步的，步骤三中第t轮训练时，针对每一个参与方k，将采集到的基带I/Q信号作为本地数据集Dk输入本地特征提取器FEk t，得到原始射频指纹特征OFk t；同时，训练本地神经网络，更新本地神经网络模型的第t-1轮模型参数Wk t-1，其中k∈Nk。
进一步的，步骤四中第t轮训练时，针对每一个参与方k，将原始射频指纹特征OFk t输入到条件变分自编码器中，得到射频指纹伪特征PFk t。
进一步的，步骤五中第t轮训练的所有训练参与方将其本地神经网络模型的第t轮模型参数Wk t和射频指纹伪特征PFk t上传给服务器。
进一步的，步骤六中服务器端使用联邦平均算法对所有本地神经网络模型参数进行聚合，得到联邦平均模型参数GWFed-Avg t，该联邦平均模型参数由联邦平均全局特征提取器GFEFed-Avg t和联邦平均全局分类器GClfFed-Avg t组成。
进一步的，步骤七中服务器首先将每个参与方提供的射频指纹伪特征PFk t输入到本地特征提取器FEk t中，得到本地分类器预测，随后服务器将每个参与方提供的射频指纹伪特征PFk t输入到联邦平均全局分类器GClfFed-Avg t中，得到联邦平均全局分类器预测。
进一步的，步骤八中服务器计算每个参与方地分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失AC-Losst对联邦平均全局分类器进行训练优化，得到最终的全局分类器GClft。
进一步的，步骤九中服务器将联邦平均全局特征提取器GFEFed-Avg t作为全局特征提取器GFEt，并将全局特征提取器GFEt与全局分类器GClft组合成全局神经网络模型GWt发送给所有参与方进行下一轮迭代训练。
本发明的有益效果是：
1、本发明采用联邦学习方法进行射频指纹识别，数据隐私保护能力强；
2、本发明在边缘数据异构分布场景下，本发明采用本地分类器和联邦平均全局分类器对伪特征预测值之间的KL距离对全局分类器进行优化，得到全局分类器，更适应数据异构分布场景。
附图说明
图1是本发明的流程框图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的具体步骤如下：
步骤一、服务器初始化全局神经网络模型，并将全局模型发送给所有参与方；
步骤二、服务器选择满足条件的参与方作为联邦训练参与方进行训练；
步骤三、每一个参与方将采集到的基带I/Q信号作为本地数据集输入本地特征提取器，得到原始射频指纹特征，同时，训练本地神经网络，更新本地神经网络模型参数；
步骤四、每一个参与方，将原始射频指纹特征输入到条件变分自编码器中，得到射频指纹伪特征；
步骤五、所有训练参与方将其本地神经网络模型参数以及射频指纹伪特征上传给服务器；
步骤六、服务器端使用联邦平均算法对所有本地神经网络模型参数进行聚合，得到联邦平均模型参数；
步骤七、服务器将每个参与方提供的射频指纹伪特征分别输入到本地特征提取器和联邦平均全局分类器中，得到本地分类器预测和联邦平均全局分类器预测；
步骤八、服务器计算每个参与方的分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失对联邦平均全局分类器进行训练优化，得到最终的全局分类器；
步骤九、服务器将联邦平均全局特征提取器作为全局特征提取器，并将全局特征提取器与全局分类器组合成全局神经网络模型发送给所有参与方进行下一轮迭代训练。
本实施方式中基于联邦学习的射频指纹识别方法信号是处理检测到的WIFI基带IQ信号，采样率是80MHz，信号点数为80000；对基带IQ信号做数据预处理即数据标准化，即将数据缩放(映射)到均值为0，方差为1的区间内，得到每个训练参与方的训练数据即|Dk|。
具体实施方式二：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤一中服务器初始化全局神经网络模型GM0，其模型参数GW0，全局神经网络由全局特征提取器GFE0和全局分类器GClf0组成，即GW0＝WGFE 0+WGClf 0，其中，WGFE 0为第0轮全局特征提取器参数，WGClf 0为第0轮全局分类器参数；随后服务器将全局模型发送给所有K个参与方；所有参与方将初始化神经网络模型的参数作为本地神经网络模型的第0轮模型参数Wk 0，其中k∈K，所有参与方的本地神经网络由特征提取器FEk和分类器Clfk组成，即其中/>为第k个参与方第0轮的特征提取器参数，/>为第k个参与方第0轮的分类器参数。
具体实施方式三：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤二中服务器选择Nk个参与方作为联邦训练参与方进行第t轮训练。
具体实施方式四：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤三中第t轮训练时，针对每一个参与方k，将采集到的基带I/Q信号作为本地数据集Dk输入本地特征提取器FEk t，得到原始射频指纹特征OFk t；同时，训练本地神经网络，更新本地神经网络模型的第t-1轮模型参数Wk t-1，其中k∈Nk。
具体实施方式五：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤四中第t轮训练时，针对每一个参与方k，将原始射频指纹特征OFk t输入到条件变分自编码器中，得到射频指纹伪特征PFk t。
具体实施方式六：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤五中第t轮训练的所有训练参与方将其本地神经网络模型的第t轮模型参数Wk t和射频指纹伪特征PFk t上传给服务器。
本实施方式中，服务器端使用联邦平均算法对所有本地神经网络模型参数进行聚合，得到联邦平均模型参数GWFed-Avg t：
公式(1)中，Wk t-1表示第t-1轮模型参数，Nk表示参与联邦训练的所有参与方总数，αk为每个参与方本地神经网络的聚合因子，由其本地数据量大小决定，即
具体实施方式七：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤六中服务器端使用联邦平均算法对所有本地神经网络模型参数进行聚合，得到联邦平均模型参数GWFed-Avg t，该联邦平均模型参数由联邦平均全局特征提取器GFEFed-Avg t和联邦平均全局分类器GClfFed-Avg t组成。
具体实施方式八：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤七中服务器首先将每个参与方提供的射频指纹伪特征PFk t输入到本地特征提取器FEk t中，得到本地分类器预测，随后服务器将每个参与方提供的射频指纹伪特征PFk t输入到联邦平均全局分类器GClfFed-Avg t中，得到联邦平均全局分类器预测。
本实施方式中，服务器计算每个参与方地分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失AC-Losst对联邦平均全局分类器进行训练优化：
公式(2)中：PredLk t为每个参与方地分类器预测，PredGk t为联邦平均全局分类器预测，KL(PredLk t,PredGk t)即为二者之间的KL距离。
具体实施方式九：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤八中服务器计算每个参与方地分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失AC-Losst对联邦平均全局分类器进行训练优化，得到最终的全局分类器GClft。
具体实施方式十：结合图1说明本实施方式，本实施方式所述一种基于特征模仿联邦学习的射频指纹识别方法的步骤九中服务器将联邦平均全局特征提取器GFEFed-Avg t作为全局特征提取器GFEt，并将全局特征提取器GFEt与全局分类器GClft组合成全局神经网络模型GWt发送给所有参与方进行下一轮迭代训练。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (9)

1.一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：所述一种基于特征模仿联邦学习的射频指纹识别方法的具体步骤如下：
步骤一、服务器初始化全局神经网络模型，并将全局模型发送给所有参与方；
步骤二、服务器选择满足条件的参与方作为联邦训练参与方进行训练；
步骤三、每一个参与方将采集到的基带I/Q信号作为本地数据集输入本地特征提取器，得到原始射频指纹特征，同时，训练本地神经网络，更新本地神经网络模型参数；
步骤四、每一个参与方，将原始射频指纹特征输入到条件变分自编码器中，得到射频指纹伪特征；
步骤五、所有训练参与方将其本地神经网络模型参数以及射频指纹伪特征上传给服务器；
步骤六、服务器端使用联邦平均算法对所有本地神经网络模型参数进行聚合，得到联邦平均模型参数；联邦平均模型参数GWFed-Avg t由联邦平均全局特征提取器GFEFed-Avg t和联邦平均全局分类器GClfFed-Avg t组成；
步骤七、服务器将每个参与方提供的射频指纹伪特征分别输入到本地特征提取器和联邦平均全局分类器中，得到本地分类器预测和联邦平均全局分类器预测；
步骤八、服务器计算每个参与方的分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失对联邦平均全局分类器进行训练优化，得到最终的全局分类器；
步骤九、服务器将联邦平均全局特征提取器作为全局特征提取器，并将全局特征提取器与全局分类器组合成全局神经网络模型发送给所有参与方进行下一轮迭代训练。
2.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤一中服务器初始化全局神经网络模型GM0，其模型参数GW0，全局神经网络由全局特征提取器GFE0和全局分类器GClf0组成，即GW0＝WGFE 0+WGClf 0，其中，WGFE 0为第0轮全局特征提取器参数，WGClf 0为第0轮全局分类器参数；随后服务器将全局模型发送给所有K个参与方；所有参与方将初始化神经网络模型的参数作为本地神经网络模型的第0轮模型参数Wk 0，其中k∈K，所有参与方的本地神经网络由特征提取器FEk和分类器Clfk组成，即Wk 0＝WFEk 0+WClfk 0，其中WFEk 0为第k个参与方第0轮的特征提取器参数，WClfk 0为第k个参与方第0轮的分类器参数。
3.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤二中服务器选择Nk个参与方作为联邦训练参与方进行第t轮训练。
4.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤三中第t轮训练时，针对每一个参与方k，将采集到的基带I/Q信号作为本地数据集Dk输入本地特征提取器FEk t，得到原始射频指纹特征OFk t；同时，训练本地神经网络，更新本地神经网络模型的第t-1轮模型参数Wk t-1，其中k∈Nk。
5.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤四中第t轮训练时，针对每一个参与方k，将原始射频指纹特征OFk t输入到条件变分自编码器中，得到射频指纹伪特征PFk t。
6.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤五中第t轮训练的所有训练参与方将其本地神经网络模型的第t轮模型参数Wk t和射频指纹伪特征PFk t上传给服务器。
7.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤七中服务器首先将每个参与方提供的射频指纹伪特征PFk t输入到本地特征提取器FEk t中，得到本地分类器预测，随后服务器将每个参与方提供的射频指纹伪特征PFk t输入到联邦平均全局分类器GClfFed-Avg t中，得到联邦平均全局分类器预测。
8.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤八中服务器计算每个参与方地分类器预测与联邦平均全局分类器预测之间的KL距离，并将所有参与方的预测KL距离相加，作为分类器聚合损失AC-Losst对联邦平均全局分类器进行训练优化，得到最终的全局分类器GClft。
9.根据权利要求1所述的一种基于特征模仿联邦学习的射频指纹识别方法，其特征在于：步骤九中服务器将联邦平均全局特征提取器GFEFed-Avg t作为全局特征提取器GFEt，并将全局特征提取器GFEt与全局分类器GClft组合成全局神经网络模型GWt发送给所有参与方进行下一轮迭代训练。
CN202310486497.1A 2023-04-28 2023-04-28 一种基于特征模仿联邦学习的射频指纹识别方法 Active CN116522228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310486497.1A CN116522228B (zh) 2023-04-28 2023-04-28 一种基于特征模仿联邦学习的射频指纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310486497.1A CN116522228B (zh) 2023-04-28 2023-04-28 一种基于特征模仿联邦学习的射频指纹识别方法

Publications (2)

Publication Number Publication Date
CN116522228A CN116522228A (zh) 2023-08-01
CN116522228B true CN116522228B (zh) 2024-02-06

Family

ID=87397201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310486497.1A Active CN116522228B (zh) 2023-04-28 2023-04-28 一种基于特征模仿联邦学习的射频指纹识别方法

Country Status (1)

Country Link
CN (1) CN116522228B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364943A (zh) * 2020-12-10 2021-02-12 广西师范大学 一种基于联邦学习的联邦预测方法
CN114598517A (zh) * 2022-03-02 2022-06-07 中国人民解放军军事科学院战争研究院 一种基于联邦学习的移动设备射频分布识别方法
CN114676853A (zh) * 2021-04-15 2022-06-28 腾讯云计算（北京）有限责任公司 数据处理方法、装置、设备以及介质
CN115238908A (zh) * 2022-03-15 2022-10-25 华东师范大学 基于变分自编码器、无监督聚类算法和联邦学习的数据生成方法
WO2023005133A1 (zh) * 2021-07-28 2023-02-02 深圳前海微众银行股份有限公司 联邦学习建模优化方法、设备、可读存储介质及程序产品
WO2023024368A1 (zh) * 2021-08-21 2023-03-02 深圳前海微众银行股份有限公司 横向联邦学习建模优化方法、设备、介质及程序产品

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019055843A1 (en) * 2017-09-15 2019-03-21 President And Fellows Of Harvard College ERROR CORRECTION WITHOUT MODEL ADAPTED TO THE DEVICE IN QUANTUM PROCESSORS
EP3970074A1 (en) * 2019-05-16 2022-03-23 FRAUNHOFER-GESELLSCHAFT zur Förderung der angewandten Forschung e.V. Concepts for federated learning, client classification and training data similarity measurement

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364943A (zh) * 2020-12-10 2021-02-12 广西师范大学 一种基于联邦学习的联邦预测方法
CN114676853A (zh) * 2021-04-15 2022-06-28 腾讯云计算（北京）有限责任公司 数据处理方法、装置、设备以及介质
WO2023005133A1 (zh) * 2021-07-28 2023-02-02 深圳前海微众银行股份有限公司 联邦学习建模优化方法、设备、可读存储介质及程序产品
WO2023024368A1 (zh) * 2021-08-21 2023-03-02 深圳前海微众银行股份有限公司 横向联邦学习建模优化方法、设备、介质及程序产品
CN114598517A (zh) * 2022-03-02 2022-06-07 中国人民解放军军事科学院战争研究院 一种基于联邦学习的移动设备射频分布识别方法
CN115238908A (zh) * 2022-03-15 2022-10-25 华东师范大学 基于变分自编码器、无监督聚类算法和联邦学习的数据生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《FedRFID:Federated Learning for Radio Frequency Fingerprint Identification of WiFi Signals》;Jibo Shi;《2022 IEEE Global Communications Conference》;全文 *

Also Published As

Publication number Publication date
CN116522228A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Chen et al. ConFi: Convolutional neural networks based indoor Wi-Fi localization using channel state information
CN108650201B (zh) 基于神经网络的信道均衡方法、译码方法及对应设备
Ning et al. Malware traffic classification using domain adaptation and ladder network for secure industrial internet of things
CN105550569B (zh) 基于星座轨迹图像特征的设备指纹提取及设备识别方法
CN114564746B (zh) 基于客户端权重评价的联邦学习方法和系统
CN107092898B (zh) 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法
CN110659684A (zh) 一种基于卷积神经网络stbc信号识别方法
Shi et al. Signal recognition based on federated learning
CN116522228B (zh) 一种基于特征模仿联邦学习的射频指纹识别方法
CN113746628A (zh) 一种基于深度学习的物理层密钥生成方法及系统
CN115359036A (zh) 基于同态加密的联邦学习肺结节检测方法
Wang et al. Constellation design for deep joint source-channel coding
Hu et al. Feature fusion convolution-aided transformer for automatic modulation recognition
CN113242066A (zh) 一种多小区大规模mimo通信智能功率分配方法
CN115776410B (zh) 用于终端身份认证的人脸数据加密传输方法
CN117035061A (zh) 一种自适应联邦学习权重聚合方法
CN115861034B (zh) 一种无线路由数据智能管理系统
CN117217328A (zh) 基于约束因子的联邦学习客户端选择方法
CN111031541B (zh) 一种基于接收信号强度的无线通信安全认证方法
CN115936109A (zh) 一种混合分布式学习和集中式学习的边缘智能方法
Yamazaki et al. Client Selection Based on Channel Capacity for Federated Learning Under Wireless Channels
CN114978261B (zh) 一种基于深度学习的毫米波安全混合波束成形方法
Shi et al. GAF-MAE: A Self-supervised Automatic Modulation Classification Method Based on Gramian Angular Field and Masked Autoencoder
CN114430550B (zh) 一种基于神经网络模型的无线物理层密钥生成方法
CN115499278B (zh) 基于轻量级神经网络的mimo信号调制识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant