标签无虞：基于联邦数据增强射频指纹的大规模RFID克隆鲁棒检测
机器学习
2021-05-11 v1 网络与互联网体系结构
摘要
数以百万计的RFID标签在全球范围内普遍用于低成本识别各类日常物品。RFID的一个关键问题是标签无法使用高能耗的密码学技术。因此，射频指纹（RFP）是一种引人注目的方法，它利用标签无线电路中独特的缺陷来实现大规模RFID克隆检测。然而，近期工作揭示出时变信道条件会显著降低RFP过程的准确率。我们提出了首个针对动态信道条件下RFID标签RFP的大规模研究。具体而言，我们在一个由200个市售相同RFID标签和软件定义无线电（SDR）标签阅读器组成的测试台上开展了大规模数据采集活动。我们在空中配置下以不同的标签-阅读器距离采集数据。为模拟植入式RFID标签，我们还采集了在标签与阅读器之间插入两类不同猪肉的数据。我们利用这一丰富数据集在各种信道条件下训练并测试若干基于卷积神经网络（CNN）的分类器。我们的研究表明，在不同信道条件下训练与测试会急剧降低分类器准确率。为此，我们提出了一种基于联邦机器学习（FML）和数据增强（DAG）的新型训练框架以提升准确率。大量实验结果表明：（i）我们的FML方法将准确率提升高达48%；（ii）我们的DA方法将FML性能提升高达31%。据我们所知，这是首篇通过实验证明FML与DA在大规模设备群体上有效性的论文。我们向研究界共享了完全标注的200 GB RFID波形数据集、全部代码及训练好的模型。
引用
@article{arxiv.2105.03671,
title = {The Tags Are Alright: Robust Large-Scale RFID Clone Detection Through Federated Data-Augmented Radio Fingerprinting},
author = {Mauro Piva and Gaia Maselli and Francesco Restuccia},
journal= {arXiv preprint arXiv:2105.03671},
year = {2021}
}