Efeitos da mudança de spreading factor sobre a identificação e as representações aprendidas em sistemas RFFI LoRa
A identificação por impressão digital de radiofrequência (RFFI) baseada em aprendizado profundo para dispositivos LoRa apresenta elevado desempenho quando treinamento e avaliação ocorrem sob o mesmo cenário de transmissão. Embora a mudança de spreading factor (SF) provoque forte degradação da identificação, a acurácia isoladamente não permite compreender como as representações dos dispositivos são afetadas. Esta dissertação busca caracterizar em que medida a estrutura das representações aprendidas por um modelo de aprendizado profundo é preservada quando os mesmos dispositivos são observados sob mudança de SF. Para isso, um modelo é treinado com dados em um SF de origem e mantido fixo durante a avaliação em outros valores de SF, analisando-se o desempenho de identificação e as representações quanto à dispersão intradispositivo, à separação entre dispositivos e à preservação das relações entre os dispositivos. A avaliação confirma a forte degradação da identificação sob mudança de SF e revela redução da separabilidade entre os dispositivos e alteração das relações estabelecidas na condição de origem. Essas dimensões são afetadas de formas distintas, pois a perda de separabilidade decorre sobretudo da aproximação entre os centroides dos dispositivos, enquanto parte da separabilidade permanece sem que as relações entre eles sejam preservadas de forma consistente. A estrutura das representações é, portanto, substancialmente alterada sob mudança de SF, e suas diferentes propriedades precisam ser avaliadas separadamente para caracterizar esse efeito. Como continuidade da investigação, avalia-se se a separabilidade ainda presente nas representações pode ser explorada para recuperar a identificação por meio da recalibração da etapa de decisão.