面向物联网网络的边缘AI无线电频率指纹识别
机器学习
2024-12-17 v1 人工智能
密码学与安全
网络与互联网体系结构
信号处理
摘要
在智慧城市和关键基础设施中部署物联网（IoT）已增强了连接性和实时数据交换，但也引入了显著的安全挑战。虽然密码学方法有效，但往往对小型足迹资源受限（即IoT）设备资源消耗较大。无线电频率指纹（RFF）提供了一种通过使用独特无线电信号特征进行设备识别的有前景的身份验证替代方案，这些特征在物理（PHY）层进行识别，而无需采用加密解决方案。挑战在于：如何在大规模环境中部署此类RFF，以及如何在资源受限的环境中实现。边缘计算通过处理来自无线设备附近的数据，使决策更快，减少对集中云服务器的依赖。在考虑 modest 边缘设备的条件下，我们引入两种真正轻量级的基于边缘AI的RFF方案，专为资源受限设备而设计。我们实现两种深度学习模型，即卷积神经网络（CNN）和变换器编码器（Transformer-Encoder），从IQ样本中提取复杂特征，形成特定于设备的无线电频率指纹。我们将模型转换为TensorFlow Lite并在树莱派上进行评估，证明了边缘部署的可行性。评估结果表明，变换器编码器在识别独特发射器特征方面优于CNN，实现了高于0.95的准确率和ROC-AUC得分（>0.90），同时保持了73KB的紧凑模型大小，适用于资源受限设备。
引用
@article{arxiv.2412.10553,
title = {Edge AI-based Radio Frequency Fingerprinting for IoT Networks},
author = {Ahmed Mohamed Hussain and Nada Abughanam and Panos Papadimitratos},
journal= {arXiv preprint arXiv:2412.10553},
year = {2024}
}
备注
11 pages, and 8 figures