论文标题：Convolutional Neural Network and Ensemble Learning-Based Unmanned Aerial Vehicles Radio Frequency Fingerprinting Identification

论文链接：https://doi.org/10.3390/drones8080391

期刊名：Drones

期刊主页：https://www.mdpi.com/journal/drones

随着低空经济的快速发展，无人机在农业、巡检、物流等领域的应用日益广泛，对无人机有效监视和管理已成为关键问题。ADS-B (自动相关监视广播) 作为一项重要的空中监视技术，能够以特定周期广播飞机状态信息。目前，带有ADS-B设备的大型无人机主要应用于支线物流场景，利用ADS-B信息中的24位地址代码进行位置监视和身份认证。然而，由于ADS-B系统采用未加密且未经认证的通信方案，身份欺骗和设备克隆问题日益突出。攻击者可以通过更改ADS-B发射器的设置，篡改唯一的标识代码，从而伪装成其他无人机的身份。此外，利用软件定义无线电技术，攻击者还能大量发送错误的ADS-B信息，进一步加剧了空中交通的安全风险。

为了应对虚假ADS-B信息带来的空域安全威胁，来自北京航空航天大学空地一体新航行系统技术全国重点实验室的张学军教授及其团队在 Drones 期刊发表了文章，设计了一种采用集成学习的方法，通过射频指纹识别技术实现对无人机身份的确认。张学军教授及团队利用课题组自研的地面平台与低轨卫星平台，完成了ADS-B数据的收集，本研究的工作基于课题组已有数据开展。这项工作在低空经济的安全、高质量发展中具有重要意义。

图1. 团队ADS-B数据收集与处理系统 (图片来自课题组团队自绘)。

研究过程与结果

作者基于射频电路的硬件特征，结合ADS-B信息的数据结构，提出了一种基于射频指纹 (RFF) 的无人机身份验证方法。该方法在消除ADS-B信号中24位地址码影响的基础上，根据信号的实际结构对其进行切片处理。针对不同切片，作者分别采用了端到端和非端到端的数据预处理方法，并结合深度学习技术，验证了两种卷积神经网络 (CNN) 架构在射频指纹识别中的可行性，同时构建了多个射频指纹识别子分类器。在确保子分类器高识别准确率的前提下，作者通过集成学习将子分类器组合，形成了ELWAM-CNN和ELVM-CNN两种集成分类器。集成分类器基于子分类器从每个信号段提取的特征进行融合，最终的识别结果由集成分类器综合决策。实验结果表明，该方法显著提升了模型的分类能力和泛化性能，并在发射器识别准确率方面取得了优于传统方法的效果。

(a)	(b)

图2. 实验结果图：(a) 集成分类器与子分类器效果对比；(b) 集成分类器与传统方法实验对比。

研究总结

本文提出了一种基于硬件特征的无人机身份识别方法，通过无人机发射机硬件特性对信号表达形式的影响，结合深度学习技术提取信号特征，实现了对发射机身份的精准识别。该方法采用集成学习策略，将多个深度学习子分类器进行组合，构建了具有更高识别准确率的集成模型。与传统的基于密码协议的身份验证方式不同，该技术无需对现有设备进行任何硬件或软件改装，可直接利用无人机发射的ADS-B信号进行身份识别，具有较高的实用性和可扩展性。这一方法为无人机身份验证提供了一种新的解决方案，能够有效应对身份欺骗和设备克隆等安全问题。能快速应用于低空监视中，推动低空经济健康有序发展。

Drones 期刊介绍

主编：Diego González-Aguilera, University of Salamanca, Spain

期刊主要涵盖无人机、无人机系统、远程驾驶航空器系统、水下无人机、无人地面载具、全自动驾驶和太空无人机等相关的最新科学技术及应用。目前期刊已被Scopus和SCIE (Web of Science) 数据库收录，位于Q1分区。