[논문 리뷰] Supervised and Semi-Supervised Deep Neural Networks for CSI-Based Authentication

Qian Wang, Hang Li외 4명|arXiv (Cornell University)|2018. 07. 25.

Digital Media Forensic Detection참고 문헌 20인용 수 15

한 줄 요약

이 논문은 채널 상태 정보(CSI) 기반의 물리계층 사용자 인증을 위한 지도 학습 및 준지도 학습 딥 뉴럴 네트워크—특히 CNN, RNN, CRNN 아키텍처를 제안한다. 이는 사전 채널 모델링 없이도 강건한 신원 확인을 가능하게 한다. 실세계 데이터에서 CRNN 모델은 가장 높은 정확도(98.1%)를 달성하였으며, 가짜 레이블링을 활용한 준지도 학습은 레이블이 제한된 경우에도 뛰어난 성능을 유지한다.

ABSTRACT

From the viewpoint of physical-layer authentication, spoofing attacks can be foiled by checking channel state information (CSI). Existing CSI-based authentication algorithms mostly require a deep knowledge of the channel to deliver decent performance. In this paper, we investigate CSI-based authenticators that can spare the effort to predetermine channel properties by utilizing deep neural networks (DNNs). We first propose a convolutional neural network (CNN)-enabled authenticator that is able to extract the local features in CSI. Next, we employ the recurrent neural network (RNN) to capture the dependencies between different frequencies in CSI. In addition, we propose to use the convolutional recurrent neural network (CRNN)---a combination of the CNN and the RNN---to learn local and contextual information in CSI for user authentication. To effectively train these DNNs, one needs a large amount of labeled channel records. However, it is often expensive to label large channel observations in the presence of a spoofer. In view of this, we further study a case in which only a small part of the the channel observations are labeled. To handle it, we extend these DNNs-enabled approaches into semi-supervised ones. This extension is based on a semi-supervised learning technique that employs both the labeled and unlabeled data to train a DNN. To be specific, our semi-supervised method begins by generating pseudo labels for the unlabeled channel samples through implementing the K-means algorithm in a semi-supervised manner. Subsequently, both the labeled and pseudo labeled data are exploited to pre-train a DNN, which is then fine-tuned based on the labeled channel records.

연구 동기 및 목표

• 기존 무선 인증 기법에서 높은 키 관리 오버헤드와 키 해독 공격에 취약한 문제를 해결하기 위해.
• 정밀한 사전 채널 모델이 필요하고 채널 추정 오차에 민감한 기존 CSI 기반 인증 방법의 한계를 극복하기 위해.
• 사전 정의된 채널 특성에 의존하지 않고 CSI에서 불변 특징을 자동으로 추출할 수 있는 딥 러닝 기반 인증기 개발을 위해.
• 실세계 구현에서 비용이 많이 드는 레이블된 학습 데이터에 대한 의존도를 줄이기 위해 지도 학습 DNN 모델을 준지도 학습 버전으로 확장하기 위해.
• 딥 뉴럴 네트워크가 데이터 변환에 대해 강건하여 전통적인 머신 러닝 방법보다 실세계 데이터에 더 잘 일반화됨을 입증하기 위해.

제안 방법

• CSI 행렬에서 국소적이고 공간적인 특징을 추출하기 위해 CNN 기반 인증기를 제안하여 환경적 및 하드웨어 유도 변형에 대한 불변성을 향상시킨다.
• CSI의 서브대역 간 시간적 및 스펙트럼적 의존성을 모델링하기 위해 RNN 기반 분류기를 도입하여 장거리 상관관계를 포착한다.
• CNN과 RNN을 결합한 CRNN 아키텍처를 통해 CSI에서 국소적 패턴과 맥락적 의존성을 동시에 학습함으로써 인증 성능을 향상시킨다.
• 비레이블된 채널 샘플에 대해 K-means 클러스터링을 활용해 가짜 레이블을 생성하는 준지도 학습 프레임워크를 개발하여 레이블된 데이터와 가짜 레이블된 데이터를 함께 학습할 수 있도록 한다.
• 레이블된 데이터와 가짜 레이블된 데이터를 모두 사용해 DNN을 사전 학습한 후, 레이블된 데이터 세트를 이용해 미세조정하여 일반화 능력과 수렴 성능를 향상시킨다.
• 모의 실험 및 실세계 CSI 데이터에서 신경망을 엔드 투 엔드로 학습하기 위해, 감소하는 학습률(매 20 에포크마다 반으로 줄임)을 사용하는 미니배치 확률적 경사하강법(SGD)을 적용한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 채널 모델에 대한 사전 지식 없이도 CSI에서 인증을 위한 분류 가능한 특징을 효과적으로 학습할 수 있는가?
• RQ2 CNN, RNN, CRNN 아키텍처는 CSI 인증 작업에서 국소적 특징과 맥락적 특징을 얼마나 잘 포착하는가?
• RQ3 준지도 학습은 CSI 기반 인증에서 레이블된 학습 데이터의 필요성을 얼마나 줄일 수 있으며, 높은 정확도를 유지할 수 있는가?
• RQ4 왜 단순한 모의 실험 가정에도 불구하고 딥 러닝 기반 방법은 실세계 CSI 데이터에서 전통적 벤치마크보다 성능이 뛰어나게 되는가?
• RQ5 실세계 데이터에 포함된 데이터 변환(예: 스케일링, 이동)은 합성 모의 데이터에 비해 DNN의 일반화 성능에 어떤 영향을 미치는가?

주요 결과

• CRNN 기반 인증기는 실세계 CSI 데이터에서 98.1%의 가장 높은 인증 정확도를 달성하여 모든 벤치마크 및 다른 DNN 변종을 압도한다.
• 실세계 데이터에서는 DNN 기반 방법(특히 CRNN)이 모의 실험 데이터보다 더 높은 정확도를 기록한다. CNN-r는 97.4%, RNN-r는 95.5%를 기록하여 실세계 왜곡에 대한 더 뛰어난 강건성을 보여준다.
• 전통적 벤치마크(KNN, Logistic, SVM)는 모의 실험 데이터에서는 실세계 데이터보다 더 높은 성능을 보이나, 실세계 데이터에서는 KNN가 87.3%로 급격히 떨어지며 데이터 분포 이동에 민감함을 드러낸다.
• DNN의 준지도 학습 확장은 레이블이 제한된 경우에도 뛰어난 성능을 유지한다. 가짜 레이블링 전략이 비레이블 데이터를 효과적으로 활용하기 때문이다.
• CRNN 모델은 제안된 DNN들 중에서 가장 빠른 수렴 시간(10.2초)을 기록하여 높은 정확도와 함께 효율성도 입증한다.
• DNN의 경우 모의 데이터와 실세계 데이터 간 성능 격차가 전통적 모델과 반대 방향으로 나타나며, 이는 DNN이 스케일링, 이동 등의 실세계 변환에 더 강건함을 증명한다.