随着无线网络技术的不断发展,各式各样的物联网应用已经逐渐渗透到人们生活中的方方面面。无线网络中信息交互的安全性变得愈发重要。由于无线网络具有开放性,恶意用户通过窃听、诱骗等方式对合法用户的正常通信进行干扰、破坏,威胁合法用户信息安全。当前基于高层加密的设备身份鉴权机制在应对恶意用户窃听与计算能力不断增强的压力下,面临着更严峻的挑战。射频指纹因其稳定性与唯一性,被认为是一种有效的设备身份识别手段,能够有效提高网络无线接入阶段的安全性。目前研究中基于射频指纹的设备身份识别机制仍存在一定不足。一方面,射频指纹的提取过程通常使用信号预处理技术,可能造成一定程度的信息损失;另一方面,针对射频指纹的抗伪装性研究不足,设备的射频指纹存在被恶意用户伪装的风险。针对以上不足,本文对基于射频指纹的设备身份识别机制展开了两方面的研究。本论文首先提出了一种基于深度神经网络的设备身份识别方法。该方法利用无线信号的原始采样样本直接进行射频指纹特征的学习与提取。利用深度神经网络在特征学习中的优势,对原始信号中隐含的射频指纹特征进行学习,用于设备识别。实验证明基于深度神经网络的设备身份识别方法具有较好的识别能力,优于传统机器学习技术的判别器。接下来,本论文针对恶意用户可能对合法用户射频指纹进行伪装的安全隐患展开研究。首先对基于被动窃听的指纹伪装方法进行了分析,发现由于恶意用户自身的器件客观存在一定的误差,因此难以简单通过对所窃听到的合法用户信号特征进行分析实现射频指纹的模仿。对此,本文提出一种基于多用户协作的射频指纹伪装攻击方法。在指纹伪装过程中引入一个攻击合作者充当观察者的角色,对比指纹伪装者与合法用户的射频指纹差异,并将比较结果反馈给伪装者指导其改进指纹伪装方法。攻击合作者和伪装者通过协作,不断提升指纹的伪装质量,实现指纹伪装攻击。本文将该过程抽象成为生成对抗网络模型,使指纹伪装能够通过机器学习的方式实现。实验结果表明,在噪声环境较差的情况下,该方法仍能达到良好的指纹伪装效果,能够欺骗基于不同机器学习方法的指纹识别器。进一步,本文利用生成对抗网络训练过程中生成的高质量对抗样本对指纹识别器进行训练,有效提高指纹识别器的性能。仿真结果表明,经过对抗样本增强的指纹识别器能够对伪装的指纹实现有效识别,显著提高了基于射频指纹的设备身份识别系统的抗伪装能力。