通过多重分形维数表示实现用于网络接入认证的域自适应设备指纹
密码学与安全
2023-08-16 v1
摘要
通过深度学习进行的射频数据驱动设备指纹识别近期已成为自动化网络接入认证的一种潜在解决方案。传统方法通常易受域适应问题影响,即在一个域的数据上训练的模型在另一域的数据上测试时表现糟糕。域变化的一些例子包括改变设备位置或环境,以及改变数据收集的时段或日期。在本文中,我们提出使用多重分形分析和方差分形维数轨迹(VFDT)作为深度神经网络的输入数据表示,以提取具有域泛化能力的设备指纹。我们分析了所提 VFDT 表示在从具有硬件损伤的 IQ 信号中检测设备特定签名的有效性,并使用一个由 30 个支持 WiFi 的 Pycom 设备在不同位置和不同规模下组成的实验测试平台评估其在真实环境中的鲁棒性。我们的结果表明,与使用原始 IQ 数据相比,VFDT 表示显著提升了深度学习模型的可扩展性、鲁棒性和泛化能力。
引用
@article{arxiv.2308.07925,
title = {Domain-Adaptive Device Fingerprints for Network Access Authentication Through Multifractal Dimension Representation},
author = {Benjamin Johnson and Bechir Hamdaoui},
journal= {arXiv preprint arXiv:2308.07925},
year = {2023}
}