[論文レビュー] A Real-World Radio Frequency Signal Dataset Based on LTE System and Variable Channels

Shupeng Zhang, Yibin Zhang+6 more|arXiv (Cornell University)|May 25, 2022

Wireless Signal Modulation Classification被引用数 5

ひとこと要約

本論文は、800 MHzのLTEで動作する実世界の電波周波数フォグプリント（RFF）データセットを提示する。ソフトウェア定義無線（SDR）を用いて、多様なチャネル状態下での送信機および受信機の信号を収集した。データセットは、10台の異なる送信機から得られた4,000件のサンプルを含み、ライン・オブ・サイト（LOS）およびライン・オブ・サイトでない（NLOS）環境下で構築されたものであり、単純なCNNを用いた検証により、実世界の無線環境下で深層学習に基づくデバイス識別に適した信頼性の高い分類性能を達成した。

ABSTRACT

Radio Frequency Fingerprint (RFF) identification on account of deep learning has the potential to enhance the security performance of wireless networks. Recently, several RFF datasets were proposed to satisfy requirements of large-scale datasets. However, most of these datasets are collected from 2.4G WiFi devices and through similar channel environments. Meanwhile, they only provided receiving data collected by the specific equipment. This paper utilizes software radio peripheral as a dataset generating platform. Therefore, the user can customize the parameters of the dataset, such as frequency band, modulation mode, antenna gain, and so on. In addition, the proposed dataset is generated through various and complex channel environments, which aims to better characterize the radio frequency signals in the real world. We collect the dataset at transmitters and receivers to simulate a real-world RFF dataset based on the long-term evolution (LTE). Furthermore, we verify the dataset and confirm its reliability. The dataset and reproducible code of this paper can be downloaded from GitHub link: https://github.com/njuptzsp/XSRPdataset.

研究の動機と目的

• 大規模で実世界のRFFデータセットが、多様な無線チャネル状態を反映しているが、2.4 GHz WiFiデバイスに限定されていないという課題に対処すること。
• 既存のデータセットが受信側でのみ信号を記録しているという制限を克服するため、送信および受信の両方のデータを収集すること。
• ソフトウェア定義無線（SDR）プラットフォームを用いて、パrameter（周波数、変調方式、アレントナーゲインなど）を柔軟に設定可能な再現可能でカスタマイズ可能なデータセットを生成すること。
• ライン・オブ・サイト（LOS）およびライン・オブ・サイトでない（NLOS）チャネル環境からの信号を含めることで、深層学習ベースのRFF識別における耐性を高めること。
• ベースラインのCNNモデルを用いて、データセットの信頼性を検証し、深層学習アプリケーションへの適用可能性を確認すること。

提案手法

• 10台の異なるUSRP X310ソフトウェア定義無線（SDR）を送信機および受信機として用い、800 MHzでLTEベースの信号を生成および収集した。
• 信号の多様性を保証するため、18分間のMP3ファイルをPCM符号化し、各送信ごとに400行のランダム抽出を実施した。
• 送信前に、ソース符号化、チャネル符号化、変調（16QAM）、IFFT処理を含むLTE信号チェーンを実装した。
• ライン・オブ・サイト（直接経路）およびライン・オブ・サイトでない（遮断経路）の2つの異なるチャネル環境を想定し、実世界の伝搬効果を模擬した。
• 各送信に対して、送信側（入力信号、変調、I/Qデータ）および受信側（受信I/Qサンプル）の両方のデータを保存し、包括的なデータセットを構築した。
• データセットを60％の訓練用、20％の検証用、20％のテスト用に分割し、200エポック、バッチサイズ16で、早期停止を含む単純な1次元CNNを訓練した。

実験結果

リサーチクエスチョン

• RQ1 ソフトウェア定義無線（SDR）を用いて、800 MHzのLTEシステムで大規模かつ実世界のRFFデータセットを効果的に生成できるか？
• RQ2 変動するチャネル状態（LOS対NLOS）は、収集されたRF信号におけるRFF特徴の忠実度および検出可能性にどのように影響するか？
• RQ3 多様なチャネル環境を含むデータセットが、RFFベースのデバイス識別における深層学習モデルの耐性にどの程度寄与するか？
• RQ4 提案されたデータセットは、深層学習モデルのトレーニングに信頼性があり、適しているか？
• RQ5 単純なCNNモデルが、提案されたデータセット上で有意義な分類精度を達成できるか。これは、今後の研究におけるその有用性を示唆する。

主な発見

• データセットは、10台の異なるSDR送信機から得られた4,000件のサンプルを含み、訓練・検証・テストにバランスの取れた分割がなされた。
• 星座図では、NLOS状態では信号品質が著しく低下しており、歪みが強く、広がった受信星座図が観察された一方、LOS状態では明確でコンパクトな信号パターンが保持された。
• NLOS状態における信号品質の劣化にもかかわらず、RFF特徴は安定しており、識別可能であった。これは、ハードウェア由来のフォグプリントがチャネル効果とは独立していることを確認した。
• CNNモデルは非自明な分類精度を達成し、データセットが深層学習モデルのRFF識別へのトレーニングに適していることを示した。
• 多様なチャネル環境を含むデータセットの導入により、モデルの耐性が向上し、特定の伝搬条件に過剰適合する可能性が低くなった。
• データセットおよび関連するMATLABコードはGitHubで公開されており、再現性とRFF研究分野における広範な採用を可能としている。