射频指纹识别技术是一种根据射频信号中隐含的硬件差异来区分无线设备的方法,旨在解决无线网络中的设备接入认证问题。5G网络以及物联网技术的发展,给射频指纹识别技术带来新的挑战,大量的车载移动终端面临着计算资源、存储资源以及通信资源受限的问题。为解决上述问题,本文围绕资源受限的特点,提出一种在资源不足情况下的射频指纹识别方法,设计并实现了一个无线设备管理系统。本文的主要内容如下:1.为解决难以在算力受限的设备上进行复杂射频指纹识别模型训练的问题,本文提出了一个基于深度可分离卷积和模型量化的射频指纹识别模型DSCNet,可以在仅依靠CPU的情况下实现射频指纹识别模型的快速训练。通过使用深度可分离卷积对标准卷积进行替代,降低了计算量。通过使用模型量化技术,将浮点运算量化成整型运算,为在移动场景下的部署提供了条件。经过实验证明,在本文的实验环境下,DSCNet对设备的识别准确率达到98.6%,相较于其他模型,提高了4.2%,模型的整体训练速度加快了约11%,量化后的模型推理速度明显提升。2.为解决边缘采集设备由于通信资源有限难以将采集到的射频信号全部上传到计算中心进行模型训练的问题,本文提出了一个基于联邦学习的射频指纹识别方法Fed RFC,通过各个数据持有节点联合训练的方式,达到在设备本地就可以完成射频指纹识别模型训练的目的。对于因节点间样本非独立同分布导致的准确率降低和难以收敛的情况,本文通过每个节点共享小部分数据的方法来减弱非独立同分布样本对联邦学习训练的影响。实验结果表明,在本文的实验环境下,该方法具有加快模型收敛和提高射频指纹识别准确率的效果。在样本类别分布极度不均的情况下,可以通过共享5%的数据,提升约50%的识别准确率。3.为了验证提出的射频指纹识别方法的可行性,本文实现了一个无线设备管理系统。从无线设备管理系统的需求分析、架构设计、详细设计、实现以及测试等方面进行了详细的分析和介绍。结果表明,本系统能够在资源受限环境下进行射频指纹的识别工作。