[论文解读] Application of Machine Learning for Channel based Message Authentication in Mission Critical Machine Type Communication

Andreas Weinand, Michael Karrenbauer+2 more|arXiv (Cornell University)|Nov 14, 2017

Wireless Communication Security Techniques参考文献 18被引用 24

一句话总结

本文提出了一种基于机器学习的无密钥消息认证方案，用于任务关键型机器类型通信（MC-MTC），该方案利用无线信道的物理层特性。通过在正交频 division multiplexing（OFDM）系统的频域信道状态信息（CSI）上应用高斯混合模型（GMM），该方法在0.1%误报率下实现了99.96%的检测率，显著优于基线方法，如未更新的GMM和基于MSE的方法。

ABSTRACT

The design of robust wireless communication systems for industrial applications such as closed loop control processes has been considered manifold recently. Additionally, the ongoing advances in the area of connected mobility have similar or even higher requirements regarding system reliability and availability. Beside unfulfilled reliability requirements, the availability of a system can further be reduced, if it is under attack in the sense of violation of information security goals such as data authenticity or integrity. In order to guarantee the safe operation of an application, a system has at least to be able to detect these attacks. Though there are numerous techniques in the sense of conventional cryptography in order to achieve that goal, these are not always suited for the requirements of the applications mentioned due to resource inefficiency. In the present work, we show how the goal of message authenticity based on physical layer security (PHYSEC) can be achieved. The main idea for such techniques is to exploit user specific characteristics of the wireless channel, especially in spatial domain. Additionally, we show the performance of our machine learning based approach and compare it with other existing approaches.

研究动机与目标

• 为解决传统加密方法在MC-MTC中因添加MAC或HMAC而引入的高开销和高延迟问题。
• 开发一种无密钥、低开销的消息认证机制，利用用户特有的无线信道特性。
• 与仅基于仿真的现有方法相比，提升在真实动态无线环境中检测性能和鲁棒性。
• 评估机器学习技术（特别是GMM）在真实世界CSI测量上用于用户认证的可行性与性能。

提出的方法

• 利用正交频 division multiplexing（OFDM）信号的频域信道状态信息（CSI）作为用户身份识别的独特指纹。
• 应用高斯混合模型（GMM）对每位用户的CSI特征统计分布进行建模。
• 实施在线模型更新，以适应时变信道条件并保持认证准确性。
• 采用基于GMM似然度的检测框架，对收到的信号进行分类以确定其来源用户。
• 与基线方法进行性能对比：基于MSE的分类方法和未进行在线更新的GMM方法。
• 利用测试平台获取的真实世界CSI测量数据，在实际条件下评估该方法。

实验结果

研究问题

• RQ1 仅利用物理层信道特性而无需加密密钥，机器学习技术能否有效实现MC-MTC中的消息认证？
• RQ2 在真实世界场景中，基于GMM的认证性能与传统方法（如基于MSE的分类和未更新GMM）相比如何？
• RQ3 在线模型更新对时变无线环境中检测率和误报率有何影响？
• RQ4 增加频域信道估计点的数量如何影响认证精度？
• RQ5 在实际、真实世界的信道条件下，所提出方法能否实现高检测率与低误报率？

主要发现

• 所提出的基于GMM的方法在0.1%误报率下实现了0.04%的漏检率（MDR），对应99.96%的检测率。
• 与未更新的GMM相比，该方法在检测率上提升了13.54%，证明了在线模型自适应的必要性。
• 在0.1%误报率下，GMM方法的MDR为85.36%，相比未更新的GMM基线方法提升了1066%。
• 在1%误报率下，基于GMM的方法检测率比GMM基线高出479.29%。
• 基于MSE的方法表现显著更差，在0.1%误报率下检测率仅为17.69%，表明其不适用于此任务。
• GMM方法的性能随CSI特征维度的提高而提升，证实了使用更多频域点进行分类具有优势。