[논문 리뷰] Leveraging Hardware-Impaired Out-of-Band Information Through Deep Neural Networks for Robust Wireless Device Classification

Abdurrahman Elmaghbub, Bechir Hamdaoui|arXiv (Cornell University)|2020. 04. 23.

Wireless Signal Modulation Classification인용 수 7

한 줄 요약

이 논문은 고성능, 최소한의 왜곡을 갖는 장치에서도 높은 정확도를 달성하기 위해 하드웨어 결함으로 인한 대역내 및 대역외 RF 신호 왜곡을 활용하는 딥러닝 기반 무선 장치 분류 기법을 제안한다. 과표본화된 IQ 샘플을 사용하고, 대역내 및 대역외 특징을 통합하여 분류하는 컨volutional 신경망(CNN)을 적용함으로써, 테스트 정확도 96.2%를 달성하였으며, 대역내 신호만을 사용하는 기존 방법의 48.6% 정확도를 두 배로 높였다. 이는 이식 가능하고 비침습적이며, 송신기 수정 없이도 기존 수신기 하드웨어와 호환되는 강력한 장치 식별 기법이다.

ABSTRACT

Wireless device classification techniques play a key role in promoting emerging wireless applications such as allowing spectrum regulatory agencies to enforce their access policies and enabling network administrators to control access and prevent impersonation attacks to their wireless networks. Leveraging spectrum distortions of transmitted RF signals, caused by transceiver hardware impairments created during manufacture and assembly stages, to provide device classification has been the focus of many recent works. These prior works essentially apply deep learning to extract features of the devices from their hardware-impaired signals and rely on feature variations across the devices to distinguish devices from one another. As technology advances, the manufacturing impairment variations across devices are becoming extremely insignificant, making these prior classification approaches inaccurate. This paper proposes a novel, deep learning-based technique that provides scalable and highly accurate classification of wireless devices, even when the devices exhibit insignificant variation across their hardware impairments and have the same hardware, protocol, and software configurations. The novelty of the proposed technique lies in leveraging both the {\em in-band} and {\em out-of-band} signal distortion information by oversampling the captured signals at the receiver and feeding IQ samples collected from the RF signals to a deep neural network for classification. Using a convolutional neural network (CNN) model, we show that our proposed technique, when applied to high-end, high-performance devices with minimally distorted hardware, doubles the device classification accuracy when compared to existing approaches.

연구 동기 및 목표

• 장치 간 하드웨어 결함이 점점 유사해지면서 기존 딥러닝 기반 장치 분류 기법의 성능 저하 문제를 해결하기 위해.
• 최신 기술 수준의, 비트 수준에서 유사한 소프트웨어 정의 신호 처리 장치(예: USRP X310)와 같은 고성능 장치에서 하드웨어 왜곡 변동성이 최소한일 경우에도 장치 분류 정확도를 향상시키기 위해.
• 송신기 측 수정 없이도 적용 가능한 확장 가능하고 비침습적인 분류 기법을 개발하기 위해.
• 대역외 신호 왜곡을 고유하고 강력한 장치 서명으로 활용하여 장치 간 분리도를 향상시키기 위해.
• 실제로 하드웨어 왜곡 변동성이 낮은 조건에서 대역내 및 대역외 신호 특징을 통합함으로써 분류 정확도가 크게 향상됨을 입증하기 위해.

제안 방법

• 수신기에서 캡처한 RF 신호의 IQ 샘플을 과표본화하여 대역내 및 대역외 신호 성분을 모두 유지한다.
• 대역내 및 대역외 왜곡 특징을 통합한 신호를 기반으로 장치를 분류하기 위해 컨volutional 신경망(CNN)을 훈련시킨다.
• CNN 아키텍처는 ReLU 활성화 함수를 사용하는 다중 컨볼루션 레이어, 맥스 풀링 레이어, 다중 클래스 분류를 위한 소프트맥스 활성화 함수를 갖는 최종 완전 연결 레이어로 구성된다.
• 최적화에 확률적 경사 하강법(모멘텀 포함)을 사용하며, 초기 학습률은 0.02로 설정하고, 매 9 에포크마다 학습률 감소 요소 0.1을 적용한다.
• 손실 함수는 다중 분류 교차 엔트로피이며, 예측 오차를 최소화하기 위해 역전파 알고리즘을 사용한다.
• 이 시스템은 인텔 코어 i7 8세대 CPU를 탑재한 시스템에서 MATLAB의 딥러닝 툴박스를 사용해 구현되었다.

실험 결과

연구 질문

• RQ1 대역내 왜곡이 부족해지면서 하드웨어 결함 변동성이 낮아질 경우, 대역외 신호 왜곡이 고유하고 활용 가능한 장치 서명을 제공할 수 있는가?
• RQ2 대역내 왜곡만을 사용하는 방법과 비교해, 대역내 및 대역외 신호 특징을 통합함으로써 최소한의 왜곡을 갖는 장치에서 분류 정확도가 어떻게 향상되는가?
• RQ3 근접한 동일한 송수신기 장치를 갖는 현실적인 하드웨어 조건에서, 제안된 방법이 높은 정확도를 유지하고 과적합을 방지하는 데 얼마나 효과적인가?
• RQ4 제안된 기법은 송신기 측 수정 없이도 실생활에 구현 가능한가?
• RQ5 기존의 대역내 신호만을 사용하는 방법과 비교해, 제안된 방법의 계산 오버헤드는 어떻게 되는가?

주요 결과

• 제안된 방법은 거의 동일한 하드웨어를 갖는 다섯 대의 고성능, 최소한의 왜곡 장치에서 테스트 정확도 96.2%를 달성하였으며, 대역내 신호만을 사용하는 기준선(48.6%)보다 뚜렷이 높았다.
• 대역외 왜곡 정보가 장치 간 분리도에 상당한 기여를 하여, 대역내 특징이 거의 구별되지 않을 경우에도 정확한 분류가 가능하게 하였다.
• 훈련 및 검증 정확도 곡선 간 일관성 있는 성능을 보이며 과적합의 징후가 없음을 확인하였다.
• 제안된 방법의 처리 시간(96.35분)은 대역내 신호만을 사용하는 방법(97.38분)과 거의 동일하여 추가적인 처리 오버헤드가 최소임을 시사한다.
• 하드웨어 왜곡 변동성이 감소할수록 제안된 방법과 대역내 신호만을 사용하는 방법 간 정확도 격차가 커지며, 이는 고성능, 저변동성 하드웨어 환경에서의 성능 우수성이 점점 더 두드러짐을 보여준다.
• 16QAM 및 8-PSK를 모두 사용한 실험을 통해 다양한 변조 방식에서도 효과적이며, 변조 유형에 대한 강건성을 입증하였다.