[論文レビュー] Device Authentication Codes based on RF Fingerprinting using Deep Learning

Joshua Bassey, Xiangfang Li+1 more|arXiv (Cornell University)|Apr 19, 2020

Wireless Signal Modulation Classification参考文献 27被引用数 6

ひとこと要約

本稿では、自己符号化器の再構築誤差を、メッセージ固有の独自の認証コードとして用いる深層学習ベースのRFフォグネッシング手法であるデバイス認証コード（DAC）を提案する。この手法は、訓練時に不正者データを必要とせず、さまざまなSNRレベルにおいて100%の認証精度を達成しており、チャネル状態や移動性に対して高い耐性を示す。

ABSTRACT

In this paper, we propose Device Authentication Code (DAC), a novel method for authenticating IoT devices with wireless interface by exploiting their radio frequency (RF) signatures. The proposed DAC is based on RF fingerprinting, information theoretic method, feature learning, and discriminatory power of deep learning. Specifically, an autoencoder is used to automatically extract features from the RF traces, and the reconstruction error is used as the DAC and this DAC is unique to the device and the particular message of interest. Then Kolmogorov-Smirnov (K-S) test is used to match the distribution of the reconstruction error generated by the autoencoder and the received message, and the result will determine whether the device of interest belongs to an authorized user. We validate this concept on two experimentally collected RF traces from six ZigBee and five universal software defined radio peripheral (USRP) devices, respectively. The traces span a range of Signalto- Noise Ratio by varying locations and mobility of the devices and channel interference and noise to ensure robustness of the model. Experimental results demonstrate that DAC is able to prevent device impersonation by extracting salient features that are unique to any wireless device of interest and can be used to identify RF devices. Furthermore, the proposed method does not need the RF traces of the intruder during model training yet be able to identify devices not seen during training, which makes it practical.

研究の動機と目的

• IoT無線通信におけるMACアドレスなどの従来の識別子がスプーフィング攻撃に対して脆弱であるという問題に対処すること。
• 変動するチャネル状態、移動性、ノイズに強く、耐障害性の高い非教師ありデバイス認証メカニズムを開発すること。
• 訓練段階でそのRFトレースを保持していない、未確認のデバイス（例：不正者）を推論段階で同定できること。
• 深層学習と情報理論を組み合わせ、RFドメインにおける新規で実用的な認証フレームワークを構築すること。
• ZigBeeおよびUSRPのデバイスを含む多様な信号対雑音比（SNR）とデバイスタイプで、実世界のRFトレースを用いて手法を検証すること。

提案手法

• 認証済みデバイスのRFトレースに自己符号化器を訓練し、それらの独自のRFフォグネッシングを特徴的に要約するコンact表現を学習する。
• 与えられたRF信号に対する自己符号化器の再構築誤差を抽出し、それがデバイスおよび送信メッセージに固有のデバイス認証コード（DAC）として機能することを活用する。
• 受信側では、同じ自己符号化器モデルを受信信号に適用し、新たなDACを生成して比較する。
• コルモゴロフ・スミルノフ（K-S）検定を用いて、送信されたDACと受信されたDACの分布を統計的に比較し、認証の妥当性を検証する。
• フレームワークは非教師ありで動作し、訓練段階では認証済みデバイスのデータのみを必要とし、ラベル付きの不正者データは不要である。
• 本手法は、変動するSNR、移動性、干渉状態下で、6台のZigBeeおよび5台のUSRPデバイスから収集した実験的RFトレースを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 RFフォグネッシングと深層学習を組み合わせることで、IoTネットワークにおける信頼性の高い非教師ありデバイス認証が可能になるか？
• RQ2 自己符号化器の再構築誤差が、個々のデバイスを区別できるメッセージ固有の認証コード（DAC）として機能できるか？
• RQ3 提案手法のDACは、変動する信号対雑音比、デバイスの移動性、チャネル干渉に対してどれほど耐性を示すか？
• RQ4 訓練段階で見られなかったデバイス（すなわち不正者）を、訓練フェーズでそのRFトレースを保持していない状態でも検出・拒否できるか？
• RQ5 情報理論的検定（K-S検定）と深層学習を統合することで、RFドメインにおけるデバイス認証の信頼性とセキュリティが向上するか？

主な発見

• 提案されたDACフレームワークは、複数の実験的条件下で、認証済みデバイスと不正者を100%の精度で区別できる。
• 本手法は、変動する信号対雑音比、デバイスの移動性、チャネル干渉に対しても耐性を示し、実世界環境における実用的妥当性を示している。
• 自己符号化器は、生のIQトレースからデバイス固有のRFフォグネッシングを効果的に学習でき、再構築誤差がメッセージ依存の独自のDACとして機能している。
• K-S検定は、送信されたDACと受信されたDACの分布を効果的に比較でき、不正者シグネチャの事前知識がなくても信頼性の高い認証を可能にしている。
• フレームワークは非教師ありで動作し、訓練段階でラベル付きの不正者データを必要としない一方で、未確認の新規デバイスを検出可能である。
• 再トレーニングなしで未確認のデバイスを検出できるように、深層特徴学習と統計的検定を組み合わせた本手法は、先行手法を上回っている。