[논문 리뷰] PAST-AI: Physical-layer Authentication of Satellite Transmitters via Deep Learning

Gabriele Oligeri, Simone Raponi외 2명|arXiv (Cornell University)|2020. 10. 12.

Wireless Signal Modulation Classification인용 수 5

한 줄 요약

이 논문은 저궤도 위성(Low-Earth Orbit, LEO) 위성 송신기의 물리계층 인증을 위한 딥러닝 기반 프레임워크인 PAST-AI를 제안한다. I/Q 샘플 지문 기반으로 하며, 실제 IRIDIUM 위성 펄스에서 수집한 데이터를 바탕으로 컨volutional Neural Networks(CNN)와 오토에인코더를 활용하여, 한 명의 송신기와 나머지 모든 송신기 간 분류 시 AUC 값이 0.93 이상, 한 명의 송신기 대 한 명의 송신기 간 분류 시 0.96 이상 달성하며, 인증 정확도는 0.8에서 1.0 사이를 기록한다.

ABSTRACT

Physical-layer security is regaining traction in the research community, due to the performance boost introduced by deep learning classification algorithms. This is particularly true for sender authentication in wireless communications via radio fingerprinting. However, previous research efforts mainly focused on terrestrial wireless devices while, to the best of our knowledge, none of the previous work took into consideration satellite transmitters. The satellite scenario is generally challenging because, among others, satellite radio transducers feature non-standard electronics (usually aged and specifically designed for harsh conditions). Moreover, the fingerprinting task is specifically difficult for Low-Earth Orbit (LEO) satellites (like the ones we focus in this paper) since they orbit at about 800Km from the Earth, at a speed of around 25,000Km/h, thus making the receiver experiencing a down-link with unique attenuation and fading characteristics. In this paper, we propose PAST-AI, a methodology tailored to authenticate LEO satellites through fingerprinting of their IQ samples, using advanced AI solutions. Our methodology is tested on real data -- more than 100M I/Q samples -- collected from an extensive measurements campaign on the IRIDIUM LEO satellites constellation, lasting 589 hours. Results are striking: we prove that Convolutional Neural Networks (CNN) and autoencoders (if properly calibrated) can be successfully adopted to authenticate the satellite transducers, with an accuracy spanning between 0.8 and 1, depending on prior assumptions. The proposed methodology, the achieved results, and the provided insights, other than being interesting on their own, when associated to the dataset that we made publicly available, will also pave the way for future research in the area.

연구 동기 및 목표

• 특히 LEO 위성 펄스에서의 물리계층 인증 솔루션 부족 문제를 해결한다.
• LEO 위성 링크의 고감쇠, 다중 경로 fading, 도플러 시프트 및 짧은 링크 지속 시간 등으로 인한 과제를 극복한다.
• LEO 위성의 고유한 전파 특성에 맞춘 강력하고 AI 기반의 지문 추출 방법론을 개발한다.
• 고역동성, 고고도 위성 통신 환경에서 하드웨어 기반 인증을 위한 딥러닝의 실현 가능성을 입증한다.
• 재현성과 향후 위성 물리계층 보안 분야의 연구를 자극하기 위해 공개된 데이터셋을 제공한다.

제안 방법

• 589시간에 걸친 측정 캠프에 걸쳐 IRIDIUM LEO 위성 펄스에서 1억 개 이상의 I/Q 샘플을 수집한다.
• I/Q 샘플에서 고유한 무선 지문을 학습하고 추출하기 위해 컨volutional Neural Networks(CNN)와 오토에인코더를 사용한다.
• 모든 위성에서의 인증 성능 평가를 위해 one-vs-rest 및 one-vs-one 분류 전략을 적용한다.
• 재구성된 I/Q 샘플과 원본 I/Q 샘플 간의 평균 제곱오차(m.s.e.)를 계산하여 유사도를 정량화하고, 임계값 기반 의사결정을 가능하게 한다.
• ROC 곡선과 AUC 지표를 사용하여 다양한 임계값에서 진짜 양성과 가짜 양성 비율 간의 트레이드오프를 평가한다.
• 0.2에서 1.5까지 다양한 임계값 범위를 활용해 모델 캘리브레이션을 수행하여, 가짜 양성과 가짜 음성 수를 최소화하는 최적의 운영 지점 식별.

실험 결과

연구 질문

• RQ1 고역동성과 채널 잡음으로 인해 어려운 상황에서도 딥러닝 기반의 무선 지문 기반 인증이 LEO 위성 송신기에 효과적으로 적용될 수 있는가?
• RQ2 감쇠, 페이딩, 도플러 시프트 등의 채널 영향이 위성 지문 기반 딥러닝 모델의 성능에 미치는 영향는 어떠한가?
• RQ3 실제 LEO 위성 I/Q 샘플에 적용했을 때 CNN과 오토에인코더의 인증 정확도는 어느 정도 달성 가능한가?
• RQ4 위성 지문 기반 분류에서 one-vs-rest와 one-vs-one 전략의 성능는 어떻게 비교되는가?
• RQ5 실제 링크 조건 하에서 제안된 방법론이 전체 IRIDIUM 펄스에 걸쳐 얼마나 일반화 가능한가?

주요 결과

• 제안된 PAST-AI 프레임워크는 상황과 가정에 따라 인증 정확도가 0.8에서 1.0 사이로 다양하게 기록된다.
• one-vs-rest 분류 설정에서 위성 ID 25의 AUC는 0.98에 도달하며, 최적 운영 지점은 TPR=1.0, FPR=0.048이다.
• 66개 모든 위성에 대한 최적 ROC 지점의 히트맵을 분석한 결과, 모든 최적 지점이 이상적인 지점(TPR=1, FPR=0) 근처에 집중되어 있어 높은 일관성과 신뢰성을 보여준다.
• one-vs-one 시나리오에서는 95%의 위성 쌍이 AUC 1.0을 달성하며, 소수의 쌍만이 0.99보다 略로 낮은 AUC 값을 기록한다.
• one-vs-one 설정에서 모든 위성의 중앙값 AUC는 1.0이며, 95번째 백분위수 역시 1.0이므로 거의 완벽한 분류 성능를 나타낸다.
• IRIDIUM 펄스에서 수집한 1억 개 이상의 I/Q 샘플 데이터셋은 공개되어 있어 재현성과 향후 위성 물리계층 보안 분야의 벤치마킹을 가능하게 한다.