[论文解读] EPS: Distinguishable IQ Data Representation for Domain-Adaptation Learning of Device Fingerprints

Abdurrahman Elmaghbub, Bechir Hamdaoui|arXiv (Cornell University)|Aug 8, 2023

Wireless Signal Modulation Classification被引用 5

一句话总结

本文提出双面包络功率谱（EPS），一种新颖的IQ数据表示方法，通过突出设备特有的硬件失真并抑制如信道效应和接收机差异等特定领域噪声，增强基于深度学习的射频指纹识别性能。在同日/同信道/同位置的评估中，EPS实现超过99%的准确率，在跨日和跨位置场景中达到93–95%的准确率，显著优于传统的IQ表示方法，并提升了对领域偏移的鲁棒性。

ABSTRACT

Deep learning (DL)-based RF fingerprinting (RFFP) technology has emerged as a powerful physical-layer security mechanism, enabling device identification and authentication based on unique device-specific signatures that can be extracted from the received RF signals. However, DL-based RFFP methods face major challenges concerning their ability to adapt to domain (e.g., day/time, location, channel, etc.) changes and variability. This work proposes a novel IQ data representation and feature design, termed Double-Sided Envelope Power Spectrum or EPS, that is proven to overcome the domain adaptation problems significantly. By accurately capturing device hardware impairments while suppressing irrelevant domain information, EPS offers improved feature selection for DL models in RFFP. Experimental evaluations demonstrate its effectiveness, achieving over 99% testing accuracy in same-day/channel/location evaluations and 93% accuracy in cross-day evaluations, outperforming the traditional IQ representation. Additionally, EPS excels in cross-location evaluations, achieving a 95% accuracy. The proposed representation significantly enhances the robustness and generalizability of DL-based RFFP methods, thereby presenting a transformative solution to IQ data-based device fingerprinting.

研究动机与目标

• 为解决基于深度学习的射频指纹识别（RFFP）方法在时间、位置、信道或接收机硬件变化等领域偏移下的泛化能力差的问题。
• 克服原始IQ表示的局限性，后者会捕获非区分性的领域特定信息，导致模型对训练条件的过拟合。
• 设计一种特征表示方法，以隔离并增强设备特有的硬件失真，同时抑制无关的环境和系统级变化。
• 提升深度学习方法在真实无线环境中对领域偏移具有不可避免性的射频指纹识别的鲁棒性和泛化能力。
• 提供一种可扩展、高效且聚焦于硬件失真的替代方案，以替代需要对抗性训练或领域特定调优的复杂领域自适应技术。

提出的方法

• EPS表示通过计算IQ信号双面包络的功率谱获得，该方法可捕获由设备特有的振荡器和射频组件失真引起的幅度调制。
• 该方法对同相（I）和 quadrature（Q）分量进行包络检波，然后计算所得包络信号的功率谱，以提取与硬件失真相关的频谱特征。
• 该方法利用了相位噪声和I/Q不平衡等硬件失真在包络中表现为低频调制的特性，这些调制在EPS域中得以保留并增强。
• EPS表示作为输入用于基于CNN的分类器（EPS-CNN），实现端到端学习，无需依赖手工设计的特征或预处理。
• 该方法在多个领域进行评估：同日、跨日和跨位置设置，使用真实世界WiFi 802.11b信号捕获数据。
• 该框架在大规模数据集上进行了验证，数据涵盖不同设备、时间、位置和硬件配置，以评估在真实条件下的鲁棒性。

实验结果

研究问题

• RQ1 在领域偏移条件下，EPS表示与传统IQ表示相比，在分类准确率方面表现如何？
• RQ2 EPS表示在多大程度上减轻了无线信道变化和接收机硬件差异对射频指纹识别性能的影响？
• RQ3 EPS能否有效捕捉设备特有的硬件失真，同时抑制非区分性的领域特定信息（如一天中时间或位置效应）？
• RQ4 硬件预热和稳定阶段对基于深度学习的RFFP性能有何影响？EPS能否缓解这种不稳定性？
• RQ5 与现有领域自适应或数据增强技术相比，EPS是否能在未见领域（如新日期或新位置）中实现更好的泛化能力？

主要发现

• 在同日、同信道、同位置的评估中，EPS实现超过99%的测试准确率，显著优于传统IQ表示。
• 在跨日评估中，EPS保持93%的准确率，表明其对时间领域偏移（如设备预热状态变化或环境条件变化）具有强大鲁棒性。
• 在跨位置评估中，EPS实现95%的准确率，表明其有效抑制了与位置相关的差异，并增强了在不同部署环境中的泛化能力。
• 使用原始IQ数据的模型在测试数据采集于设备硬件预热阶段（如开机后前12分钟内）时性能显著下降，准确率最低可降至62%。
• EPS表示降低了模型对训练与测试数据在时间和位置上对齐的依赖，表明即使在训练和测试数据均采集于相同相对时间（如第1分钟）但不同日期的情况下，仍能保持70%的准确率，凸显其对时间漂移的鲁棒性。