HSCP: Zwei-Stufen-Clustering für UAV-Identifikation bei begrenzten Ressourcen

Mit dem rasanten Aufstieg von unbemannten Luftfahrzeugen (UAVs) und der wachsenden Komplexität von Sicherheitsbedrohungen in niedrigen Lagen stoßen traditionelle Identifikationsmethoden an ihre Grenzen. Insbesondere die Extraktion zuverlässiger Signalmerkmale in Echtzeit wird in komplexen Umgebungen immer schwieriger.

Deep‑Learning‑basierte Radio Frequency Fingerprint Identification (RFFI) hat die Erkennungsgenauigkeit deutlich verbessert, doch die enormen Modellgrößen und der hohe Rechenaufwand machen deren Einsatz auf ressourcenbeschränkten Edge‑Geräten kaum praktikabel. Klassische Pruning‑Ansätze, die Gewichte, Kanäle oder Layer reduzieren, optimieren selten gleichzeitig Kompression, Hardwarebeschleunigung und Genauigkeit.

Die neue HSCP‑Methode (Hierarchical Spectral Clustering Pruning) kombiniert Layer‑Pruning mit Kanal‑Pruning, um extreme Kompression, hohe Leistung und effiziente Inferenz zu erreichen. Im ersten Schritt nutzt HSCP spektrales Clustering, gesteuert durch Centered Kernel Alignment (CKA), um redundante Layer zu identifizieren und zu entfernen. Anschließend wird dieselbe Strategie auf die Kanal‑Dimension angewendet, um noch feinere Redundanzen zu beseitigen. Zur Sicherstellung der Robustheit wird ein geräuschresistentes Feintuning eingesetzt.

Experimentelle Ergebnisse auf dem UAV‑M100‑Benchmark zeigen, dass HSCP bestehende Channel‑ und Layer‑Pruning‑Methoden übertrifft. Für ResNet18 erzielt HSCP eine Reduktion von 86,39 % an Parametern und 84,44 % an FLOPs, während die Genauigkeit um 1,49 % steigt. Diese Fortschritte markieren einen bedeutenden Schritt in Richtung praktikabler, hochpräziser UAV‑Identifikation auf ressourcenbeschränkten Geräten.