123,123

基于改进YOLOv8n的通信终端识别算法

网络安全与数据治理

张策1，苏思雨2

1.佳缘科技股份有限公司；2.杭州电子科技大学通信工程学院

摘要： 针对复杂电磁环境下信号干扰引起的通信设备终端识别精度下降这一问题，提出一种基于改进YOLOv8n的通信设备终端识别算法EMIYOLO。首先，针对干扰信号对目标信号造成遮挡干扰问题，通过将深度卷积、逐点卷积和ECA(Efficient Channel Attention)注意力机制相融合，提出C2fCE模块以增加模型感受野；其次，在主干网络的末端嵌入部分自注意力机制，提高模型对信号特征的学习能力；再次，采用五种数据增强策略对数据集进行有效扩充。实验结果表明，在训练集上，EMIYOLO模型相比YOLOv8n模型mAP5095提升7.4%，模型参数量减小0.4M；在测试集上，相比3个对比算法，EMIYOLO模型对六个手机型号的识别准确率分别平均提高42.3%、52%、53.4%、50.4%、34%和39.7%。因此，EMIYOLO模型在复杂电磁环境下具有较强的抗干扰能力和鲁棒性。

關鍵詞： 通信终端识别 YOLOv8n 复杂电磁环境

中圖分類號：TP393文獻標志碼：ADOI:10.19358/j.issn.2097-1788.2026.01.004
中文引用格式：張策，蘇思雨. 基于改進YOLOv8n的通信終端識別算法［J］.網絡安全與數據治理，2026，45（1）：20-28.
英文引用格式：Zhang Ce，Su Siyu. Emitter identification algorithm for communication terminals based on improved YOLOv8n［J］.Cyber Security and Data Governance，2026，45（1）：20-28.

Emitter identification algorithm for communication terminals based on improved YOLOv8n

Zhang Ce1，Su Siyu2

1. Jiayuan Science and Technology Co.,Ltd.; 2. School of Communication Engnineering， Hangzhou Dianzi University

Abstract： To address the issue of decreased identification accuracy of communication terminals caused by signal interference in complex electromagnetic environments, an improved YOLOv8n-based emitter identification algorithm for communication terminals is proposed, named EMI-YOLO. Firstly, to tackle the problem of interference signals occluding the target signal, a C2fCE module is proposed, which integrates deep convolution, pointwise convolution, and the Efficient Channel Attention (ECA) mechanism to expand the model′s receptive field. Secondly, a partial selfattention mechanism is embedded at the end of the backbone network to enhance the model′s ability to learn signal features. Furthermore, five data augmentation strategies are employed to effectively expand the dataset. The experimental results indicate that EMIYOLO demonstrates a 7.4% improvement in mAP5095 than YOLOv8n in the training set, with a reduction of 0.4M in model parameters; compared to three baseline algorithms, EMIYOLO improves the identification accuracy for six mobile phone models by an average of 42.3%, 52%, 53.4%, 50.4%, 34% and 39.7% in the test set, respectively. Therefore, EMIYOLO exhibits strong antiinterference capability and robustness in complex electromagnetic environments.

Key words : communication terminal identification; YOLOv8n; complex electromagnetic environment

引言

近年來，隨著無線電網絡的迅猛發(fā)展，智能手機、物聯(lián)網設備以及各種無線傳感器等設備的大量涌入，使得無線網絡變得更加復雜和密集，信息安全問題也日益突出［1］。例如，現有的無線網絡大多依賴于密鑰進行身份驗證，但密鑰一旦泄露，就容易發(fā)生非法用戶的接入或者數據被竊取等事件［2］，導致嚴重的信息安全問題。通信終端輻射源識別為此類信息安全問題提供另外一種防御途徑。除驗證密鑰外，還驗證無線設備的型號與預留的型號是否一致，以此增強數據訪問的安全性。具體來說，通過深度學習技術提取射頻指紋(RFF)特征來發(fā)現和識別異常行為［3］，從而及時阻止非法設備的接入，進而確保通信的安全性和可靠性，提升無線網絡的防護能力。然而，生活中充斥著電子設備、通信系統(tǒng)、電臺、無線網絡等大量輻射源，各種信息設備所產生的強電磁波、密集電磁場以及自然界中各種電磁信號，構成日益復雜的電磁環(huán)境［4］。電磁信號強度的動態(tài)變化、密集交織的信號以及頻譜的重疊與緊密分布可能會對目標信號產生遮擋［5］，現有的基于深度學習的特征提取技術面對復雜多變的電磁環(huán)境時，模型容易受到干擾信號的影響，導致對目標信號的辨識能力下降。因此，復雜的電磁環(huán)境給通信終端的輻射源識別帶來巨大挑戰(zhàn)。近年來，基于YOLO的目標識別算法在多個領域得到廣泛應用，并衍生出大量改進方法。第一種思路是通過降低模型計算量來增強算法的實時性。例如，RFYOLO 針對無人機通信信號識別在 YOLOv8 基礎上改進主干與 Neck 結構，實現了參數量與精度的平衡［6］。這類方法在邊緣設備部署和實時檢測任務中具有明顯優(yōu)勢，但在復雜場景下可能會降低特征表達能力。第二種思路是提升模型對關鍵特征的提取能力。例如，YOLOv5sCWMDSQ在主干中引入CA注意力和多尺度池化機制，有效提升了頻譜信號識別的精度［7］。這類方法能夠強化對目標信息的關注，從而提高識別精度，但大多直接將注意力模塊堆疊在主干網絡上，模型的泛化能力仍有限。第三種思路是進行特征融合。如在YOLO的Neck部分引入PANet［8］等結構實現多尺度特征融合。然而在頻譜類圖像中，多尺度信息的有效利用仍面臨挑戰(zhàn)。針對通信終端設備識別問題，本文創(chuàng)新性地提出基于數字頻譜余暉圖和改進YOLO的通信終端識別算法。具體來說，采用YOLO目標識別框架，提取通信終端輻射源的數字頻譜余暉圖特有的RFF特征，提出適用于復雜電磁環(huán)境的通信終端識別算法，簡稱EMIYOLO。其核心包括三點：針對干擾信號對目標信號造成遮擋干擾問題，提出C2fCE模塊，嵌入到主干和頸部網絡；針對模型特性提取能力弱問題，在主干網絡的末端嵌入部分自注意力機制；針對數據集樣本較少問題，采用五種數據增強策略對數據集進行有效擴充。實驗結果表明，相較于基準算法，在模型參數量減少的條件下，EMI-YOLO的識別準確率得到提高。

本文詳細內容請下載：

http://ihrv.cn/resource/share/2000006929

作者信息：

張策1，蘇思雨2

(1.佳緣科技股份有限公司，四川成都610097；

2.杭州電子科技大學通信工程學院, 浙江杭州310018)

原創(chuàng)聲明：此內容為AET網站原創(chuàng)，未經授權禁止轉載。

相關內容