[论文解读] Device Authentication Codes based on RF Fingerprinting using Deep Learning

Joshua Bassey, Xiangfang Li+1 more|arXiv (Cornell University)|Apr 19, 2020

Wireless Signal Modulation Classification参考文献 27被引用 6

一句话总结

本文提出了一种基于深度学习的射频指纹识别方法——设备认证码（DAC），利用自编码器重构误差作为唯一且与消息相关的认证码，以检测物联网网络中的设备伪装攻击。该方法在不同信噪比（SNR）条件下均实现了100%的认证准确率，且在训练过程中无需入侵者数据，展现出对信道条件和移动性的强鲁棒性。

ABSTRACT

In this paper, we propose Device Authentication Code (DAC), a novel method for authenticating IoT devices with wireless interface by exploiting their radio frequency (RF) signatures. The proposed DAC is based on RF fingerprinting, information theoretic method, feature learning, and discriminatory power of deep learning. Specifically, an autoencoder is used to automatically extract features from the RF traces, and the reconstruction error is used as the DAC and this DAC is unique to the device and the particular message of interest. Then Kolmogorov-Smirnov (K-S) test is used to match the distribution of the reconstruction error generated by the autoencoder and the received message, and the result will determine whether the device of interest belongs to an authorized user. We validate this concept on two experimentally collected RF traces from six ZigBee and five universal software defined radio peripheral (USRP) devices, respectively. The traces span a range of Signalto- Noise Ratio by varying locations and mobility of the devices and channel interference and noise to ensure robustness of the model. Experimental results demonstrate that DAC is able to prevent device impersonation by extracting salient features that are unique to any wireless device of interest and can be used to identify RF devices. Furthermore, the proposed method does not need the RF traces of the intruder during model training yet be able to identify devices not seen during training, which makes it practical.

研究动机与目标

• 解决传统标识符（如MAC地址）在物联网无线通信中易受欺骗的问题。
• 开发一种对信道条件、移动性和噪声具有鲁棒性的、无需监督的设备认证机制。
• 在推理阶段实现对未见过的设备（如入侵者）的识别，而无需在训练阶段获取其射频波形。
• 结合深度学习与信息论，构建一种新颖且实用的射频域设备认证框架。
• 在不同信噪比和设备类型（ZigBee与USRP）的真实射频波形上验证该方法。

提出的方法

• 在授权设备的射频波形上训练自编码器，以学习其独特射频指纹的紧凑且具有区分性的表示。
• 提取自编码器在给定射频信号上的重构误差，并用作设备认证码（DAC），该码同时与设备和传输消息唯一相关。
• 在接收端，对收到的信号应用相同的自编码器模型，生成新的DAC以供比较。
• 使用柯尔莫哥洛夫-斯米尔诺夫（K-S）检验对发送DAC与接收DAC的分布进行统计比较，以验证真实性。
• 该框架以无监督方式运行，仅需授权设备数据进行训练，无需标注的入侵者数据。
• 该方法在六台ZigBee设备和五台USRP设备采集的实验射频波形上进行验证，覆盖不同信噪比、移动性和干扰条件。

实验结果

研究问题

• RQ1 结合射频指纹识别与深度学习，能否在物联网网络中实现可靠且无监督的设备认证？
• RQ2 自编码器的重构误差能否作为唯一且与消息相关的认证码（DAC），以区分各个设备？
• RQ3 所提出的DAC方法在不同信噪比、设备移动性和信道干扰条件下具有多强的鲁棒性？
• RQ4 该框架能否在不依赖训练阶段入侵者射频波形的情况下，检测并拒绝未见过的设备（即入侵者）？
• RQ5 将信息论检验（K-S检验）与深度学习结合，能否提升射频域设备认证的可靠性与安全性？

主要发现

• 所提出的DAC框架在多种实验条件下均实现了100%的认证准确率，能可靠地区分授权设备与入侵者。
• 该方法在不同信噪比、设备移动性和信道干扰条件下均保持鲁棒性，展现出在真实环境中的实际可行性。
• 自编码器成功从原始IQ波形中学习到设备特有的射频指纹，且重构误差可作为唯一且与消息相关的DAC。
• K-S检验能有效比较发送与接收信号间DAC的分布，实现无需入侵者特征先验知识的可靠认证。
• 该框架以无监督方式运行，训练阶段无需标注入侵者数据，但仍能检测新型未见设备。
• 该方法通过结合深度特征学习与统计检验，优于以往方法，可在无需重新训练的情况下检测此前未见的设备。