Aktives Lernen steigert Identifikation von Funkemittenten drastisch

Mit dem rasanten Ausbau der drahtlosen Kommunikation gewinnt die spezifische Emittentenidentifikation (SEI) immer mehr an Bedeutung für die Sicherheit von Netzwerken. Traditionell erfordert die Modellbildung jedoch umfangreiche, beschriftete Datensätze, die teuer und zeitaufwendig zu erstellen sind. Um dieses Problem zu lösen, präsentiert ein neues Verfahren SEI, das auf aktivem Lernen (AL) basiert und einen dreistufigen halbüberwachten Trainingsansatz nutzt.

Im ersten Schritt wird ein selbstüberwachtes kontrastives Lernen eingesetzt, das mithilfe eines dynamischen Wörterbuch-Update-Mechanismus robuste Repräsentationen aus großen Mengen unbeschrifteter Daten extrahiert. Anschließend folgt ein zweiter Schritt, in dem das Modell mit einem kleinen, beschrifteten Datensatz trainiert wird. Dabei werden kontrastive und Kreuzentropie-Verluste gleichzeitig optimiert, um die Trennschärfe der Merkmale zu erhöhen und die Klassifikationsgrenzen zu stärken.

Der dritte und entscheidende Schritt nutzt ein AL-Modul, das die wertvollsten Samples aus den unbeschrifteten Daten auswählt, basierend auf Unsicherheit und Repräsentativität. Diese gezielte Annotationsstrategie verbessert die Generalisierung bei begrenzten Beschriftungskosten. Experimente auf den ADS‑B- und WiFi-Datensätzen zeigen, dass das neue SEI-Verfahren die Leistung traditioneller überwachte und halbüberwachte Methoden deutlich übertrifft, indem es höhere Erkennungsraten bei geringeren Beschriftungskosten erzielt.