[논문 리뷰] A Real-World Radio Frequency Signal Dataset Based on LTE System and Variable Channels

Shupeng Zhang, Yibin Zhang외 6명|arXiv (Cornell University)|2022. 05. 25.

Wireless Signal Modulation Classification인용 수 5

한 줄 요약

이 논문은 800 MHz에서 LTE 기반의 실세계 라디오 주파수 지문(RFF) 데이터셋을 소프트웨어 정의 신디게이션(SDR)을 사용해 수집한 것으로, 다양한 채널 조건에서 송신기 및 수신기 신호를 모두 기록하였다. 데이터셋은 10대의 고유한 송신기에서 유래한 4,000개의 샘플을 포함하며, LOS 및 NLOS 환경 모두에서 수집되었으며, 단순한 CNN을 통한 검증을 통해 깊이 학습 기반의 장치 식별에 적합한 높은 신뢰성 있는 성능을 보였다. 이는 실제 무선 환경에서의 깊이 학습 기반 장치 식별에 유용하다.

ABSTRACT

Radio Frequency Fingerprint (RFF) identification on account of deep learning has the potential to enhance the security performance of wireless networks. Recently, several RFF datasets were proposed to satisfy requirements of large-scale datasets. However, most of these datasets are collected from 2.4G WiFi devices and through similar channel environments. Meanwhile, they only provided receiving data collected by the specific equipment. This paper utilizes software radio peripheral as a dataset generating platform. Therefore, the user can customize the parameters of the dataset, such as frequency band, modulation mode, antenna gain, and so on. In addition, the proposed dataset is generated through various and complex channel environments, which aims to better characterize the radio frequency signals in the real world. We collect the dataset at transmitters and receivers to simulate a real-world RFF dataset based on the long-term evolution (LTE). Furthermore, we verify the dataset and confirm its reliability. The dataset and reproducible code of this paper can be downloaded from GitHub link: https://github.com/njuptzsp/XSRPdataset.

연구 동기 및 목표

• 다양한 무선 채널 조건을 반영하고 2.4 GHz WiFi 장치에 국한되지 않은 대규모 실세계 RFF 데이터셋의 부족을 해소하기 위해.
• 기존 데이터셋이 수신기 측면의 신호만 기록하는 한계를 극복하기 위해, 송신 및 수신 데이터를 모두 캡처하기 위해.
• 소프트웨어 정의 신디게이션 플랫폼을 사용해 재현 가능하고 커스터마이징 가능한 데이터셋을 생성하여 유연한 파rameter 설정(예: 주파수, 변조 방식, 안테나 이득 등)을 지원하기 위해.
• 선형 시각(LOS) 및 비선형 시각(NLOS) 채널 환경에서의 신호를 포함시켜 깊이 학습 기반 RFF 식별의 강건성을 향상시키기 위해.
• 기본 CNN 모델을 통해 데이터셋의 신뢰성을 검증하고, 깊이 학습 응용 분야에 적합한지 확인하기 위해.

제안 방법

• 10대의 서로 다른 USRP X310 소프트웨어 정의 신디게이션(SDR)을 송신기 및 수신기로 사용하여 800 MHz에서 LTE 기반 신호를 생성하고 캡처하였다.
• 신호 다양성을 확보하기 위해 18분 분량의 MP3 파일을 PCM 인코딩하고, 각 송신에서 400개의 랜덤 행을 추출하여 원천 데이터를 생성하였다.
• 송신 이전에 소스 코딩, 채널 코딩, 변조(16QAM), 그리고 IFFT 처리를 포함하는 LTE 신호 체인을 구현하였다.
• 직접 경로(LOS) 및 차단된 경로(NLOS)의 두 가지 별개의 채널 환경을 설정하여 실제 무선 전파 효과를 시뮬레이션하였다.
• 각 송신에 대해 송신 측(원천 신호, 변조, I/Q 데이터) 및 수신 측(수신된 I/Q 샘플) 데이터를 모두 저장하여 종합적인 데이터셋을 구성하였다.
• 데이터셋을 60% 훈련, 20% 검증, 20% 테스트 세트로 나누었으며, 조기 정지 기능을 포함한 200 에포크, 배치 크기 16인 단순 1D-CNN을 훈련시켰다.

실험 결과

연구 질문

• RQ1 소프트웨어 정의 신디게이션(SDR)을 사용해 800 MHz에서 LTE 시스템에 적합한 대규모 실세계 RFF 데이터셋을 효과적으로 생성할 수 있는가?
• RQ2 다양한 채널 조건(LOS 대비 NLOS)이 캡처된 RF 신호의 RFF 특성의 정밀도와 탐지 가능성에 어떤 영향을 미치는가?
• RQ3 다양한 채널 환경을 포함한 데이터셋이 RFF 기반 장치 식별에서 깊이 학습 모델의 강건성에 어느 정도 기여하는가?
• RQ4 제안된 데이터셋은 깊이 학습 모델 훈련에 신뢰성 있고 적합한가?
• RQ5 단순한 CNN 모델이 제안된 데이터셋에서 의미 있는 분류 정확도를 달성할 수 있는가? 이는 향후 연구에 대한 유용성을 시사한다.

주요 결과

• 10대의 고유한 SDR 송신기에서 유래한 4,000개의 샘플이 LOS 및 NLOS 채널 환경에서 수집되었으며, 훈련, 검증, 테스트 세트로 균형 잡힌 분할이 이루어졌다.
• 성능도는 NLOS 조건에서 신호 품질이 크게 악화되었음을 보여주며, 왜곡되고 퍼진 수신 성능도가 나타났고, 반면 LOS 조건에서는 명확하고 조밀한 신호 패턴이 유지됨을 확인하였다.
• NLOS 조건에서의 신호 품질 악화에도 불구하고 RFF 특성은 안정적이고 식별 가능했으며, 이는 하드웨어 유도 지문이 채널 효과와 독립적임을 확인하였다.
• CNN 모델은 의미 있는 분류 정확도를 달성하여, 이 데이터셋이 RFF 식별을 위한 깊이 학습 모델 훈련에 적합함을 입증하였다.
• 다양한 채널 환경을 포함시킴으로써 훈련된 모델의 강건성이 향상되었으며, 특정 전파 조건에 과적합될 가능성이 줄어들었다.
• 데이터셋 및 관련 MATLAB 코드는 GitHub에 공개되어 있어 재현 가능성을 보장하고 RFF 연구 분야의 광범위한 채택을 가능하게 하였다.