我们考虑三种类型的干扰器，它们被建模为概率干扰，基于感应的干扰或自适应干扰。
深度wifi协议概述
在802.11ac之上，每个用户分别异步运行DeepWiFi协议栈，主要步骤如下（如图1所示）：
1）射频前端处理：每个用户在WiFi通道之间跳跃（一个接一个），收集每个感测通道上的射频信号，并在射频前端处理射频信号，以建立I/Q数据并提取特征。
2）频谱感测和信号分类：每个用户对这些特征（射频前端的输出）进行深入学习，以便将每个通道分为空闲（I）、干扰（J）或已使用通过另一个WiFi设备（W）。
3）信号认证：每个用户应用基于机器学习的RF指纹在物理层对合法WiFi信号进行认证。
4）通道选择和通道访问：每个用户在合法WiFi信号（W）使用的任何繁忙通道上后退（以解决将来的冲突），选择一个空闲信道（I）；如果无，则选择干扰信道（J）（包括非合法WiFi信号使用的信道），该信道具有最佳SINR以进行数据传输。干扰信道的使用（当noidle信道可用时）对应于降级模式，
5）LPI/LPD的功率控制：每个用户选择低于干扰机阈值水平的发射功率，以避免干扰机检测并实现LPI/LPD。
6）自适应调制和编码：在802.11ac中有九种可能的EMCS选项可供选择。每个用户选择最佳的MCS根据测得的信噪比，使所选信道上的可实现速率最大化。
7）路由：每个用户通过应用背压算法选择要服务的流和要传输的下一跳来进行路由决策，它根据流量拥塞和链路速率（在步骤6中计算）优化频谱效用。较低层次的DeepWiFi对路由算法是透明的，并且可以与多跳网络的其他工作相结合，例如扩展WiFi Direct用于多组网络[26]
射频前端处理
射频信号处理采用以下步骤：
1）16位模数转换器（ADC）通过为信号的实部和虚部分配8位来采样信号。
2）数字化信号在同时带宽内用20MHz带通滤波，消除相邻频带的干扰。
3）数字化信号基于深度学习的自动编码器采用输入采样，并将其分解为潜在特征。
RF前端处理将I / Q数据提供给步骤3（信号验证），并将简化的功能集提供给步骤2（频谱感应和信号分类）。 该过程的详细信息（如图1所示）如下：
1）频谱感测和信号分类（步骤2）**在步骤1中获取自动编码器的输出，并将输入信号分类为WiFi（W），Jammer（J）， 或闲置（I）。2） 逻辑将信号分类结果作为输入。**如果信号是WiFi信号，它会将I/Q数据传递给物理层身份验证（RF指纹）模块，这是物理层安全的第一步
**我们没有直接使用I/Q数据作为信号分类器的输入，而是使用去噪自动编码器来提取接收信号的特征，然后将这些特征输入信号分类器。**自动编码器是一个深层神经网络，它被训练来重建它的输入，由两个神经网络组成神经网络可以构造为FNN或CNN。
DeepWiFi的去噪自动编码器将高斯噪声添加到I/Q数据中（以防止过度拟合），然后在一次初始归一化后应用四个隐藏层（前两层用于编码，后两层用于解码）图层。
频谱感知和信号分类
每个用户对感测信道上接收的I/Q数据应用基于深度神经网络的分类器，并将捕获的信号分为噪声（空闲）、WiFi信号或干扰信号。
特征是随时间接收的I/Q数据（步骤1的输出）。
信号认证
物理层身份验证（如图2所示）的目标是通过提供物理层指纹处理能力来处理I/Q数据和验证合法身份，从而增强物理层的标准WiFi安全性（在第2层）用户.RF指纹识别的动机是减轻重放攻击在无线网络中。
请注意，此步骤直接使用I/Q数据，而不是自动编码器跟踪的特性，因为身份验证中使用的硬件损坏可能会在自动编码器处丢失。因此，在这个步骤中直接使用I/Qdata。
该认证过程（如图2所示）的细节如下所示：
1） 频谱感知和信号分类（步骤2）采用步骤1中自动编码器的输出，并将输入信号分类为WiFi（W）、干扰机（J）或空闲（I）。
2）逻辑将信号分类结果作为输入。如果信号是WiFi信号，它会将I/Q数据传递给physicallayer authentication（RF指纹），这是物理层安全的第一步。
3）物理层身份验证使用每个发射机固有的物理层信息，如果检测到接收到的信号来自合法的发射机，则进行授权。
4）如果接收到的信号经过授权，则由WiFi接收机处理链条。
其目的是分析射频信号特征，以验证合法WiFi用户。
射频指纹识别的一种方法是通过捕获特定信道的特征（如接收信号强度指标（RSSI）电平）进行位置识别，但是这种方法不能有效地应用于RSSI电平快速变化的移动用户。
射频指纹识别的另一种方法是利用无线电特征进行识别，无线电特征分为波形域和硬件域特征（损伤）。
波形域方法可识别持续时间很短（微秒）且难以建模的基于感知的行为。瞬态特性也容易受到噪声和干扰的影响。硬件主方法基于捕获硬件损伤，如频率、幅度和相位误差、I/Q偏移和时域和频域的同步偏移。我们追求第二种方法。
物理层损伤建模
在MATLAB中生成训练数据，以考虑不同的软件损伤。特别地，考虑了采样率偏移、载波频率偏移和I/Q平衡偏移（幅度和相位）。
为了对发射机和接收机之间的采样率偏移（SRO）进行建模，将传输数据重新采样，并利用原始采样率的P/Q倍来重新采样，从而提高插值和判决因子。
信号波形特征提取
获取五个特征：粗中心频率偏移、精中心频率偏移、符号定时同步、幅度im平衡和相位不平衡。
异常值检测
为了对信号进行授权，我们首先使用一种简单的离群点检测方法，其目的是识别哪些签名被授权，哪些没有被授权。