0 引言

　　第五代移动通信（5G）无线系统具有支持每平方千米高达一百万个物联网设备的能力[1]。为了保证大规模物联网设备的安全运行，必须对接入网络的设备进行身份识别[2]。在物联网环境中，由于设备数量庞大且终端资源有限，传统的高层识别机制面临前所未有的挑战[3]。而基于物理层的射频指纹（RFF）识别方法能够在无需密钥分发的情况下实现设备识别[4]，从而有效规避终端资源限制的问题。

　　RFF识别方法主要分为两大类：一类是基于特征工程的方法，另一类是基于深度学习的方法。在特征工程方法中，研究者们依赖于采用经典的信号处理技术（如傅里叶变换、小波变换等）提取信号的特征。这些特征被用于支持向量机（SVM）算法中进行分类[5-7]。尽管这种方法在性能上表现出色，但它高度依赖于先验知识，因此在通用性方面存在一定的限制。

　　随着深度学习技术的兴起，研究者们开始尝试采用该技术进行RFF识别。2018年，WU Q等人[8]利用长短记忆（LSTM）网络成功地提取了信号的时间特征，并展示了出色的识别性能；同年，DING L等人[9]则构建了一种轻量级的卷积神经网络（CNN）来提取信号特征，不仅降低了数据的维度，还减少了处理时间。2019年，SANKHE K等人[10]结合了软件定义无线电和机器学习技术，开发出了Oracle算法，该算法能够在静态信道中有效地识别设备信号。这些深度学习的方法不仅减少了对先验知识的依赖，还展现出了卓越的自适应学习能力。然而，在复杂的电磁环境中，物联网设备的识别方法面临高计算量和训练收敛速度慢的挑战，这在一定程度上限制了设备接入网络的速度。

　　为了克服以上技术的局限性，本文提出一种基于轻量级全维动态卷积神经网络（LR-ODCNN）的物联网设备RFF信号识别方法，以提高接入设备的识别准确率。

4 结束语

本文提出了一种基于LR-ODCNN的物联网设备射频指纹信号识别方法，将全维动态卷积应用于RFF信号识别场景，构建了LR-ODCNN模型，提高了物联网设备接入网络前的物理层安全性。这种方法解决了传统加密方法所面临的复杂性和资源消耗问题，从而在本质上提高了物联网的安全性。实验结果表明，在同等实验条件下，相较于其它传统CNN模型，LR-ODCNN模型展现出更高的识别准确率和鲁棒性。此外，该模型还具有较少的训练参数量和FLOPs，为物联网设备识别的实际部署提供了有益的参考。