基于深度学习的设备指纹识别最近被认为是自动化网络访问身份验证的关键推动因素。由于复制物理特征的固有难度，其对模仿攻击的稳健性是区别于常规加密解决方案的原因。尽管设备指纹刻印已显示出令人鼓舞的性能，但其对网络操作环境变化的敏感性仍然构成主要限制。本文提出了一个实验框架，旨在研究和克服支持LORA的设备指纹对此类变化的敏感性。首先，我们首先描述使用启用LORA的无线设备测试台收集的RF数据集。然后，我们提出了一种新的指纹技术，该技术利用了由硬件损伤引起的带外失真信息，以提高指纹精度。最后，我们通过实验研究和分析Lora RF指纹对各种网络设置变化的敏感性。我们的结果表明，当在相同的设置下对学习模型进行培训和测试时，指纹识别相对较好。但是，当在不同的设置下接受训练和测试时，这些模型对通道状况的变化表现出适度的敏感性，以及对协议配置和接收器硬件的严重敏感性，当智商数据用作输入时。但是，使用FFT数据作为输入，它们在任何变化下的性能都差。

最近，基于深度学习的RF指纹识别已被认为是实现新出现的无线网络应用的潜在解决方案，例如频谱访问策略执行，自动网络设备认证和未授权的网络访问监控和控制。现在需要综合的射频数据集以实现新开发的RF指纹方法的研究，评估和验证。在本文中，我们介绍并释放了一个大规模的RF指纹数据集，使用USRP B210接收器从25个不同的LORA的IOT传输设备收集。我们的数据集由表示I / Q时域样本的大量SIGMF标准的二进制文件以及它们的LORA传输的相应FFT文件。此数据集提供了一套全面的基本实验场景，考虑到室内和室外环境以及各种网络部署和配置，例如发射器和接收器之间的距离，所考虑的LORA调制的配置，进行的实验的物理位置以及用于训练和测试神经网络模型的接收器硬件。

分布式声音传感器（DAS）是有效的设备，在许多应用区域中广泛使用，用于记录各种事件的信号，这些事件沿光纤沿光纤沿着非常高的空间分辨率。为了正确地检测和识别记录的事件，具有高计算需求的高级信号处理算法至关重要。卷积神经网络是提取空间信息的高功能工具，非常适合DAS中的事件识别应用。长期术语内存（LSTM）是处理顺序数据的有效仪器。在这项研究中，我们提出了一种多输入的多输出，两个阶段特征提取方法，该方法将这些神经网络体系结构的能力与转移学习的能力结合在一起，以将压电传感器应用于光纤上的振动进行分类。首先，我们从相位-OTDR记录中提取了差幅度和相位信息，并将它们存储在时间空间数据矩阵中。然后，我们在第一阶段使用了最先进的预训练的CNN作为特征提取器。在第二阶段，我们使用LSTMS进一步分析了CNN提取的特征。最后，我们使用密集层来对提取的特征进行分类。为了观察使用的CNN体​​系结构的效果，我们通过五个最先进的预训练模型（VGG-16，Resnet-50，Densenet-121，Mobilenet和Inception-V3）测试了模型。结果表明，在我们的框架中使用VGG-16体系结构可以在50个培训中获得100％的分类精度，并在我们的相位数据集中获得最佳结果。这项研究的结果表明，与LSTM结合的预训练的CNN非常适合分析差分振幅和相位信息，在时间空间数据矩阵中表示，这对于DAS应用中的事件识别操作很有希望。