WIFI开源数据集的射频指纹识别

射频指纹

射频指纹是什么

射频指纹是一种利用无线电信号的特征来识别设备或用户的技术。射频指纹可以用来做设备身份认证、位置跟踪、安全防护等应用。射频指纹的优点是难以伪造、不依赖于额外的硬件或软件、适用于多种无线通信协议。

射频指纹识别流程

射频指纹识别的一般流程包括以下几个步骤：

• 信号采集：使用接收设备（如SDR）来捕获无线电信号，并将其转换为数字信号。
• 信号预处理：对数字信号进行滤波、同步、解调等操作，以提取出有效的信息。
• 射频指纹提取：从预处理后的信号中提取出能够反映设备或用户特征的参数，如幅度、相位、频率、调制方式等。
• 射频指纹匹配：将提取出的射频指纹与数据库中已有的射频指纹进行比较，计算相似度或距离，判断是否属于同一设备或用户。

射频指纹来源

• 稳态信号：稳态信号是指在通信过程中持续存在的信号，如前导码、导频、数据包等。稳态信号的射频指纹主要来源于设备的硬件差异，如晶振、放大器、滤波器等。
• 瞬态信号：瞬态信号是指在通信过程中短暂出现的信号，如开关机、跳频切换等。瞬态信号的射频指纹主要来源于设备的软件差异，如时钟偏移、电源管理、协议实现等。

1. 原始信号raw
2. 各种变换、高阶低阶的那些，频域、时域的

射频指纹提取方式

• 手动提取：手动提取是指根据人为设定的规则或标准，从信号中提取出特定的参数作为射频指纹。手动提取的优点是简单易实现，缺点是需要专业知识和经验，且可能忽略一些潜在的特征。
• 自动提取：自动提取是指利用深度学习等方法，从信号中自动学习和提取出有效的特征作为射频指纹。自动提取的优点是能够发现更多的特征，缺点是需要大量的数据和计算资源，且可能存在过拟合或欠拟合的问题。
• 手动——机器学习
• 自动-——深度学习(各种网络)

WISIG数据集

wisig数据集

您好，这是Bing。我很高兴您对WiSig数据集感兴趣。WiSig是一个大规模的WiFi信号数据集，它包含了从174个商用WiFi发射器和41个USRP接收器在一个月内的4次采集中捕获的1000万个数据包12。WiSig不仅提供了原始的信号捕获，还提供了经过预处理的子集，以及相应的脚本和示例。WiSig可以用于研究和评估无线信道和接收器对发射器指纹识别的影响2。WiSig数据集的详细介绍和潜在用途可以在数据集论文中找到。
https://cores.ee.ucla.edu/downloads/datasets/wisig/

GitHub地址

https://github.com/WiSig-dataset/

由于tensorflow版本问题其出现了一个问题

就是将其中一个数据封装成字典形式，然后就可以跑起来了，具体的话现在没看代码，后面看下自己写的代码补上去。哈哈

原始代码中为 前导码+CNN

可以把网络给改了，改成任意网络都可以，只要数据维度能够对应上就行。数据维度、数据维度、数据维度、数据维度。

总

没啥说的