[论文解读] Leveraging Hardware-Impaired Out-of-Band Information Through Deep Neural Networks for Robust Wireless Device Classification

Abdurrahman Elmaghbub, Bechir Hamdaoui|arXiv (Cornell University)|Apr 23, 2020

Wireless Signal Modulation Classification被引用 7

一句话总结

本文提出了一种基于深度学习的无线设备分类技术，利用由硬件损伤引起的带内和带外射频信号失真，在硬件损伤极小的高性能设备中仍能实现高精度分类。通过过采样IQ样本并使用卷积神经网络（CNN）基于带内和带外特征的组合对设备进行分类，该方法在测试中达到96.2%的准确率——是仅使用带内特征方法（48.6%准确率）的两倍——提供了可扩展、非侵入式且鲁棒的设备识别方法，无需修改发射端设备。

ABSTRACT

Wireless device classification techniques play a key role in promoting emerging wireless applications such as allowing spectrum regulatory agencies to enforce their access policies and enabling network administrators to control access and prevent impersonation attacks to their wireless networks. Leveraging spectrum distortions of transmitted RF signals, caused by transceiver hardware impairments created during manufacture and assembly stages, to provide device classification has been the focus of many recent works. These prior works essentially apply deep learning to extract features of the devices from their hardware-impaired signals and rely on feature variations across the devices to distinguish devices from one another. As technology advances, the manufacturing impairment variations across devices are becoming extremely insignificant, making these prior classification approaches inaccurate. This paper proposes a novel, deep learning-based technique that provides scalable and highly accurate classification of wireless devices, even when the devices exhibit insignificant variation across their hardware impairments and have the same hardware, protocol, and software configurations. The novelty of the proposed technique lies in leveraging both the {\em in-band} and {\em out-of-band} signal distortion information by oversampling the captured signals at the receiver and feeding IQ samples collected from the RF signals to a deep neural network for classification. Using a convolutional neural network (CNN) model, we show that our proposed technique, when applied to high-end, high-performance devices with minimally distorted hardware, doubles the device classification accuracy when compared to existing approaches.

研究动机与目标

• 解决现有基于深度学习的设备分类方法在硬件损伤趋于一致时性能下降的问题。
• 提升在高端、比特相似的软件定义无线电（如USRP X310）中，硬件损伤变化极小的设备分类准确率。
• 开发一种可扩展、非侵入式的分类技术，无需修改发射端设备，且可与现有接收硬件兼容。
• 探索并利用带外信号失真作为独特、鲁棒的设备特征，以增强设备可分性。
• 证明在真实、低可变性硬件损伤条件下，结合带内和带外信号特征可显著提升分类准确率。

提出的方法

• 该方法通过在接收端采集射频信号的IQ样本，并采用过采样技术以保留带内和带外信号分量。
• 使用卷积神经网络（CNN）对这些IQ样本进行训练，基于带内和带外失真特征组合对设备进行分类。
• CNN架构包含多个带ReLU激活函数的卷积层、最大池化层，以及一个用于多分类的最终全连接层（使用Softmax激活函数）。
• 使用带有动量的随机梯度下降进行优化，初始学习率为0.02，每9个周期学习率降低0.1倍。
• 损失函数为分类交叉熵，通过反向传播算法在训练过程中最小化预测误差。
• 系统在配备Intel Core i7 8th Gen CPU的设备上使用MATLAB的深度学习工具箱实现。

实验结果

研究问题

• RQ1 当带内失真因硬件损伤可变性低而不足以提供区分特征时，带外信号失真是否能提供独特且可利用的设备特征？
• RQ2 在硬件损伤极小的设备中，与仅使用带内特征的方法相比，结合带内和带外信号特征如何提升设备分类准确率？
• RQ3 在接近相同的收发器、真实硬件条件下，该方法在保持高准确率的同时，是否能有效避免过拟合？
• RQ4 该技术是否具备可扩展性与实用性，可在无需修改发射端设备的情况下实现真实世界部署？
• RQ5 与传统的仅使用带内特征的方法相比，该方法的计算开销如何？

主要发现

• 该方法在五台高性能、损伤极小的设备上实现了96.2%的测试准确率，显著优于仅使用带内特征的基线方法（48.6%）。
• 带外失真信息显著提升了设备可分性，使得即使在带内特征几乎无法区分的情况下，仍能实现高精度分类。
• 该方法未表现出过拟合现象，训练与验证准确率曲线保持一致，验证了其泛化能力。
• 该方法的计算时间（96.35分钟）与仅使用带内特征的方法（97.38分钟）几乎相同，表明其额外处理开销极小。
• 随着硬件损伤可变性的降低，该方法与仅使用带内特征方法之间的准确率差距进一步扩大，凸显其在先进、低可变性硬件系统中的优势。
• 该方法在不同调制方式下均保持有效，如16QAM和8-PSK，表明其对调制类型具有鲁棒性。