[论文解读] DeepRadioID: Real-Time Channel-Resilient Optimization of Deep Learning-based Radio Fingerprinting Algorithms

Francesco Restuccia, Salvatore D’Oro+6 more|arXiv (Cornell University)|Apr 16, 2019

Wireless Signal Modulation Classification被引用 10

一句话总结

DeepRadioID 通过在发射端应用数字优化的有限脉冲响应（FIR）滤波器，提出了一种实时、抗信道衰落的深度学习无线电指纹识别优化方法，可在不重新训练模型的情况下提升指纹识别精度。该方法在包括软件定义无线电测试平台和 DARPA RFMLS 数据集在内的多种无线环境中，将精度提升最高达 58%，并将对抗性伪装攻击的成功率降低 54%。

ABSTRACT

Radio fingerprinting provides a reliable and energy-efficient IoT authentication strategy. By mapping inputs onto a very large feature space, deep learning algorithms can be trained to fingerprint large populations of devices operating under any wireless standard. One of the most crucial challenges in radio fingerprinting is to counteract the action of the wireless channel, which decreases fingerprinting accuracy significantly by disrupting hardware impairments. On the other hand, due to their sheer size, deep learning algorithms are hardly re-trainable in real-time. Another aspect that is yet to be investigated is whether an adversary can successfully impersonate another device fingerprint. To address these key issues, this paper proposes DeepRadioID, a system to optimize the accuracy of deep-learning-based radio fingerprinting algorithms without retraining the underlying deep learning model. We extensively evaluate DeepRadioID on a experimental testbed of 20 nominally-identical software-defined radios, as well as on two datasets made up by 500 ADS-B devices and by 500 WiFi devices provided by the DARPA RFMLS program. Experimental results show that DeepRadioID (i) increases fingerprinting accuracy by about 35%, 50% and 58% on the three scenarios considered; (ii) decreases an adversary's accuracy by about 54% when trying to imitate other device fingerprints by using their filters; (iii) achieves 27% improvement over the state of the art on a 100-device dataset.

研究动机与目标

• 解决无线信道衰落对基于深度学习的无线电指纹识别精度带来的挑战。
• 实现实时指纹识别优化，而无需重新训练大型深度神经网络。
• 探究攻击者是否可利用优化滤波器伪装设备，并缓解此类风险。
• 在无需协议特定特征工程的前提下，实现对多种无线协议的无线电指纹识别泛化。

提出的方法

• 将波形优化问题（WOP）建模为在动态信道条件下寻找最优 FIR 滤波器以增强指纹识别的优化问题。
• 在发射端应用数字 FIR 滤波器，对波形进行微小而精确的修改，以强化硬件指纹特征。
• 采用基于梯度的方法优化 FIR 系数，以在保持低误比特率（BER）的同时最大化指纹识别精度。
• 直接使用未经处理的 I/Q 样本作为深度神经网络的输入，避免协议相关的特征提取。
• 利用 FIR 滤波计算量小的特性，实现实时适应信道变化。
• 确保滤波器扰动幅度（ε）始终低于 0.2，以保持信号完整性并避免通信错误。

实验结果

研究问题

• RQ1 是否存在一种无需重新训练的实时方法，可在动态无线信道条件下提升基于深度学习的无线电指纹识别精度？
• RQ2 FIR 滤波在提升包括 WiFi 和 ADS-B 在内的多种无线标准指纹识别精度方面效果如何？
• RQ3 攻击者在使用目标设备的优化滤波器时，成功伪装设备的程度有多大？
• RQ4 FIR 抽头数和输入批次大小对指纹识别性能与鲁棒性的影响如何？

主要发现

• 在 20-SDR 测试平台中，DeepRadioID 将指纹识别精度提升了约 35%；在 WiFi-100 数据集中提升了 50%；在 ADS-B-500 数据集中提升了 58%。
• 当攻击者使用其优化滤波器尝试伪装其他设备时，其成功率为约 54% 的降低。
• 在 100 个设备的数据集中，DeepRadioID 在指纹识别精度上相比最先进方法提升了 27%。
• 在 ADS-B-500 数据集中，使用 10 个 FIR 抽头时，每批次精度（PBA）最高提升 50%，表明其在设备数量增加时具有良好的可扩展性。
• 每片段精度（PSA）的提升在 FIR 抽头数增加时趋于稳定，约达到 0.15；其中 ADS-B-500 由于使用未经处理的 I/Q 样本，收敛速度较慢。
• 所有配置下的平均 FIR ε 值均低于 0.2，确保了低 BER 和即使在波形修改下仍可靠的通信。