摘要
射频指纹识别（RFFI）利用发射器特定的硬件缺陷作为物理层身份线索，适用于物联网（IoT）设备。然而，深度RFFI模型在获取环境变化时常常出现性能下降。在多天线接收中，这种性能下降不仅仅是通用的分布转移，还受到接收器阵列拓扑、频率偏移动态和捕获依赖目标结构的影响，这些因素可能会扭曲嵌入并移动源训练的决策边界。
本文提出了一种物理启发结构锚定与捕获感知原型校准（PISA-CAPC）框架，该框架将源表示锚定与固定骨干目标校准分离。表示阶段通过拓扑图组织天线令牌，并利用CFO导出的获取动态描述符调制该图。随后，在身份表示周围应用有界上下文残差抑制。
在部署阶段，无标签捕获感知原型校准（U-CAPC）通过固定表示下的捕获局部原型证据校准目标决策分数，从而减轻边界转移，无需目标领域的骨干更新或目标标签。在一个测量的十发射器多天线WiFi基准测试中，PISA-CAPC在平衡传导设置下实现了0.9257的目标领域平均Macro-F1。消融实验确认，拓扑引导结构锚定、上下文残差抑制和捕获感知校准均能提供互补增益。这些结果确立了PISA-CAPC作为跨环境RFFI的固定骨干路径，结合了物理驱动的表示学习与无标签的捕获感知决策校准。
博主点评： PISA-CAPC框架通过物理启发的方法有效解决了多环境下射频指纹识别的挑战，展示了将物理知识与深度学习相结合的潜力。其创新的捕获感知校准策略在无需额外标签的情况下，显著提高了模型的适应性和准确性，具有广泛的应用前景。