[논문 리뷰] Device Authentication Codes based on RF Fingerprinting using Deep Learning

Joshua Bassey, Xiangfang Li외 1명|arXiv (Cornell University)|2020. 04. 19.

Wireless Signal Modulation Classification참고 문헌 27인용 수 6

한 줄 요약

이 논문은 깊이 학습 기반의 RF 지문 기반 방법인 장치 인증 코드(DAC)를 제안한다. 이 방법은 자동에코더 재구성 오차를 사용하여 유일하고 메시지 기반의 인증 코드로, IoT 네트워크에서 장치 위조를 탐지한다. 학습 중에 도청자 데이터가 필요하지 않으며, 다양한 SNR 수준에서도 100%의 인증 정확도를 달성하여 채널 조건과 이동성에 강건함을 입증한다.

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.

연구 동기 및 목표

• IoT 무선 통신에서 MAC 주소와 같은 전통적 식별자들이 위조 공격에 취약한 점을 해결하기 위해.
• 다양한 채널 조건, 이동성, 노이즈에 강건한 비지도 학습 기반의 장치 인증 메커니즘을 개발하기 위해.
• 학습 단계에서 그들의 RF 트레이스가 포함되지 않은, 이전에 본 적이 없는 장치(예: 도청자)를 추론 단계에서 식별할 수 있도록 하기 위해.
• 딥 러닝과 정보 이론을 융합하여 RF 도메인에서 새로운 실용적인 인증 프레임워크를 구축하기 위해.
• 다양한 신호 대 잡음비(SNR)와 장치 유형(ZigBee 및 USRP)에서 실세계 RF 트레이스를 기반으로 방법을 검증하기 위해.

제안 방법

• 승인된 장치의 RF 트레이스에서 자동에코더를 학습시켜 고유한 RF 지문을 압축하고 특징적인 표현을 학습한다.
• 주어진 RF 신호에 대해 자동에코더의 재구성 오차를 추출하고, 이를 장치와 전송된 메시지에 고유한 장치 인증 코드(DAC)로 사용한다.
• 수신 단에서 동일한 자동에코더 모델을 수신 신호에 적용하여 비교를 위한 새로운 DAC를 생성한다.
• 수신된 신호와 전송된 신호의 DAC 분포를 통계적으로 비교하기 위해 코모고로프-스미르노프(Kolmogorov-Smirnov, K-S) 검정을 사용한다.
• 프레임워크는 비지도 방식으로 작동하며, 학습 시 승인된 장치 데이터만 필요하고, 레이블이 부여된 도청자 데이터가 필요하지 않다.
• 실험적 RF 트레이스를 사용하여, 다양한 SNR, 이동성 및 간섭 조건에서 6개의 ZigBee 및 5개의 USRP 장치에서 수집된 데이터를 기반으로 방법을 검증한다.

실험 결과

연구 질문

• RQ1 RF 지문 기반 기술과 깊이 학습을 융합하면 IoT 네트워크에서 신뢰할 수 있고 비지도 학습 기반의 장치 인증이 가능할 수 있는가?
• RQ2 자동에코더의 재구성 오차가 개별 장치를 구분할 수 있는 고유하고 메시지 기반의 인증 코드(DAC)로 기능할 수 있는가?
• RQ3 다양한 신호 대 잡음비, 장치 이동성, 채널 간섭 조건에서 제안된 DAC 방법의 강건성은 어떠한가?
• RQ4 학습 단계에서 볼 수 없었던 장치(즉, 도청자)를 탐지하고 거부할 수 있는가? 이 경우 학습 단계에서 도청자의 RF 트레이스가 필요할까?
• RQ5 정보 이론 기반의 통계 검정(K-S 검정)과 깊이 학습을 융합하면 RF 도메인에서 장치 인증의 신뢰성과 보안성이 향상되는가?

주요 결과

• 제안된 DAC 프레임워크는 다양한 실험 조건에서 승인된 장치와 도청자를 100% 정확도로 구분한다.
• 신호 대 잡음비, 장치 이동성, 채널 간섭 조건의 변화에 대해 강건성을 유지하여 실세계 환경에서의 실용성을 입증한다.
• 자동에코더는 원시 IQ 트레이스에서 장치 고유의 RF 지문을 성공적으로 학습하고, 재구성 오차는 고유하고 메시지 기반의 DAC로 기능한다.
• K-S 검정은 전송된 신호와 수신된 신호의 DAC 분포를 효과적으로 비교하여, 도청자 서명에 대한 사전 지식 없이도 신뢰할 수 있는 인증을 가능하게 한다.
• 프레임워크는 비지도 방식으로 작동하여 학습 단계에서 레이블이 부여된 도청자 데이터가 필요 없지만, 새로운 볼 수 없는 장치를 탐지할 수 있다.
• 재학습 없이도 이전에 본 적 없는 장치를 탐지할 수 있도록 깊이 학습 기반의 특징 학습과 통계 검정을 융합함으로써, 이전의 접근 방식을 초월한다.