基于深度学习的设备指纹识别以增强LoRa-IoT安全性：对网络部署变化的敏感性
机器学习
2022-09-01 v1 密码学与安全
摘要
基于深度学习的设备指纹识别近来被公认为自动化网络接入认证的关键赋能技术。其因复制物理特征固有困难而对冒充攻击具有鲁棒性，这正是它有别于传统密码学解决方案之处。尽管设备指纹识别已展现出良好性能，其对网络运行环境变化的敏感性仍是一大主要局限。本文提出一个实验框架，旨在研究并克服支持LoRa的设备指纹识别对此类变化的敏感性。我们首先描述使用支持LoRa的无线设备测试床收集的RF数据集。随后提出一种利用由硬件损伤引起的带外失真信息以提高指纹识别精度的新指纹技术。最后，我们通过实验研究并分析LoRa RF指纹识别对各种网络设置变化的敏感性。结果表明，当学习模型在相同设置下训练和测试时指纹识别表现相对良好。然而，当在不同设置下训练和测试时，若以IQ数据为输入，这些模型对信道条件变化表现出中等敏感性，对协议配置和接收机硬件变化表现出严重敏感性；而以FFT数据为输入时，其在任何变化下均表现不佳。
引用
@article{arxiv.2208.14964,
title = {Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT Security: Sensitivity to Network Deployment Changes},
author = {Bechir Hamdaoui and Abdurrahman Elmaghbub},
journal= {arXiv preprint arXiv:2208.14964},
year = {2022}
}