利用半监督学习改善室内多径环境下 RF-DNA 指纹识别性能
信号处理
2023-04-04 v1 密码学与安全
摘要
预计到 2025 年，物联网（IoT）部署数量将达到 754 亿。约 70% 的 IoT 设备采用弱加密或无加密，从而使其及所连接的基础设施面临被错误认证或完全未认证设备攻击的风险。一种被称为特定辐射源识别（SEI）的物理层安全方法已被提出，并正作为一种可行的 IoT 安全机制加以研究。SEI 的优势在于它是一种被动技术，利用 IoT 射频（RF）前端无意中添加到信号中的固有且独特的特征。SEI 对无意信号特征的被动利用消除了修改 IoT 设备的任何需要，这使其非常适合现有和未来的 IoT 部署。尽管已开展大量 SEI 研究，仍须解决若干挑战才能使 SEI 成为可行的 IoT 安全方法。一项挑战是从多径衰落条件下采集的信号中提取 SEI 特征。多径会破坏用于区分不同 IoT 设备的固有 SEI 特征，从而降低认证性能并增加被攻击的可能性。本工作提出两种半监督深度学习（DL）均衡方法，并将其性能与当前最优方法进行比较。这两种方法分别是条件生成对抗网络（CGAN）和联合卷积自编码器与卷积神经网络（JCAECNN）。两种方法均学习信道分布以实现多径校正，同时保留所利用的 SEI 特征。使用瑞利衰落信道、直至 32 个 IoT 设备以及两个公开可用信号集，在递减的信噪比（SNR）下评估 CGAN 和 JCAECNN 的性能。JCAECNN 将 SEI 性能较当前最优方法提升了 10%。
引用
@article{arxiv.2304.00648,
title = {Improving RF-DNA Fingerprinting Performance in an Indoor Multipath Environment Using Semi-Supervised Learning},
author = {Mohamed k. Fadul and Donald R. Reising and Lakmali P. Weerasena and T. Daniel Loveless and Mina Sartipi},
journal= {arXiv preprint arXiv:2304.00648},
year = {2023}
}
备注
16 pages, 14 figures. Submitted to IEEE Transactions on Information Forensics & Security