基于多重分形维数表示的射频指纹域泛化性研究
密码学与安全
2024-02-16 v1
摘要
通过深度学习进行射频数据驱动的设备指纹识别最近已成为一种可能实现安全设备识别和认证的方法。传统方法通常容易受到域适应问题的影响，即在一个域下收集的数据训练的模型在测试另一个域下收集的数据时表现不佳。域变化的例子包括改变设备的位置或环境，以及改变数据收集的时间或日期。在这项工作中，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数据表示输入，以提取具有域泛化性的设备指纹。我们分析了所提出的VFDT表示在从硬件受损的IQ（同相和正交）信号中检测设备特定签名方面的有效性，并使用包含30个支持WiFi的Pycom设备的实验测试平台评估了其在真实世界设置中的鲁棒性。我们的实验结果表明，与使用IQ数据样本相比，所提出的VFDT表示显著提高了深度学习模型的可扩展性、鲁棒性和泛化性。
引用
@article{arxiv.2402.10044,
title = {On the Domain Generalizability of RF Fingerprints Through Multifractal Dimension Representation},
author = {Benjamin Johnson and Bechir Hamdaoui},
journal= {arXiv preprint arXiv:2402.10044},
year = {2024}
}
备注
2023 IEEE Conference on Communications and Network Security (CNS). arXiv admin note: substantial text overlap with arXiv:2308.07925