知识卡片：干扰与异构传输协议下的校准 RF 指纹识别

一句话结论：该论文将 RF-Fingerprinting 从“一次仅一个发射机”的理想设定推进到共信道干扰、时间与频率重叠、且 Wi-Fi/LTE/5G NR 异构协议并存的场景，用 1D CNN 做多标签分类，并通过校准置信阈值给出平均 False Negative 上界；POWDER 5G testbed 实测显示，校准后准确率在 73%–97% 之间，取决于信道条件，micro recall 约等于 1 减去校准假阴性，作者称校准对分布外干扰稳健。

事件概述或研究问题：RF-Fingerprinting 是一种频谱监测技术，依据发射信号中印刻的硬件损伤来识别特定发射机。已有研究几乎只考虑同一时间仅一个发射机发射的场景，限制现实适用性。本文研究共信道干扰下的 RF-Fingerprinting，即多个发射信号在时间和频率上相互重叠、相互干扰，并将该问题形式化为多标签分类问题，采用一维卷积神经网络（1D CNN）。模型经过校准后，可推导标签概率的置信阈值，并带有平均 False Negative 数量上界的保证，用于降低漏掉真实频谱政策违规的风险。方法使用 POWDER 5G testbed 的真实数据验证，设备传输 802.11a(Wi-Fi)、4G LTE 和 5G NR 波形。

方法/产品要点：

• 任务：RF-Fingerprinting / 频谱监测，识别特定发射机。
• 场景：共信道干扰；多个发射信号在时间与频率上重叠；异构传输协议并存。
• 建模：将问题形式化为多标签分类，使用 1D CNN。
• 校准：推导标签概率的置信阈值，并对平均 False Negative 数量给出上界保证。
• 数据：POWDER 5G testbed 真实数据；设备传输 802.11a(Wi-Fi)、4G LTE、5G NR 波形。
• 评估：校准后准确率；不同平均假阴性上界下的 micro recall；对 out-of-distribution interference 的稳健性。

主要结果或产业意义：

• 校准后准确率最高可达 97%，最低可至 73%，取决于信道条件。
• 针对不同平均假阴性上界进行校准后，micro recall 分数约为 1 减去校准假阴性。
• 校准对 out-of-distribution interference 稳健。
• 作者认为该方法在现实高竞争无线环境中具有潜力，可用于频谱监测与频谱政策违规检测。
• 产业意义上，这指向共享频谱、高密度无线环境中的自动化监测、监管执行与可信漏检控制。

为什么重要：

• 该工作把 RF 指纹识别从单发射机理想条件推向多信号重叠、异构协议共存的实际频谱环境。
• 校准与假阴性上界是可操作指标，尤其适用于“不能漏掉真实频谱政策违规”的监管或安全场景。
• 与既有脉络的关系：已有卡片“跨链路干扰下基于波束域机器学习指纹的 RIS 辅助毫米波定位（2026-08-07）”同样关注干扰下的无线指纹，但那条面向 RIS 辅助毫米波定位，通过 SNR/SINR 波束域指纹估计方位和距离；本条的增量在于面向发射机身份/频谱监测，采用多标签 1D CNN，覆盖 802.11a、4G LTE、5G NR 异构波形，并引入假阴性上界校准。两者目标、输出与校准需求不同。

局限与不确定性：

• 来源材料仅提供摘要和元数据，未提供正文；训练细节、数据集规模、设备数量、校准算法、信道条件划分、OOD 干扰定义、统计显著性与基线比较均待核实。
• 校准保证的具体统计条件、是否依赖分布假设、在更多协议与干扰模式下的泛化性待核实。
• 准确率、micro recall 和 OOD 稳健性均为摘要中作者报告，独立复现与更广泛场景验证待核实。
• 英文关键词字段未在材料中明确标注；下列英文关键词据摘要术语提取，待核实。
• 论文分类为 cs.LG，Track 为 academic，Topics 为 foundation-model；其与频谱监测/无线安全的具体关联需阅读正文确认。

可用于图书/PPT/简报的角度：

• 从单发射机到重叠干扰：RF 指纹识别走向现实频谱监测的路径。
• 校准与漏检控制：频谱监管中的可信 AI 与 False Negative 上界。
• 异构协议共存：Wi-Fi、4G LTE、5G NR 同频重叠带来的指纹挑战。
• 与波束域定位指纹对照：目标、输出、校准需求的差异。
• 高竞争无线环境中的频谱政策违规检测与自动化监测。

原始材料：

• 英文标题：Calibrated RF-Fingerprinting Under Interference With Heterogeneous Transmission Protocols
• 英文关键词（材料未提供独立关键词字段；据摘要提取，待核实）：Radio Frequency (RF)-Fingerprinting; co-channel interference; heterogeneous transmission protocols; multi-label classification; 1D convolutional neural network (CNN); calibration; False Negatives; POWDER 5G testbed; 802.11a (Wi-Fi); 4G LTE; 5G NR
• arXiv ID: 2609.20765v1
• Authors: Tariq Abdul-Quddoos, Xiangfang Li, Lijun Qian
• Published: 2026-09-17T17:44:22Z
• Updated: 2026-09-17T17:44:22Z
• Primary category: cs.LG
• Categories: cs.LG
• Track: academic
• Topics: foundation-model
• Abstract URL: https://arxiv.org/abs/2609.20765v1
• PDF URL: https://arxiv.org/pdf/2609.20765v1