[论文解读] On the Impact of CDL and TDL Augmentation for RF Fingerprinting under Impaired Channels

Ömer Melih Gül, Michel Kulhandjian+4 more|arXiv (Cornell University)|Dec 11, 2023

Wireless Signal Modulation Classification参考文献 28被引用 4

一句话总结

本文提出了一种解耦的CDL+TDL数据增强方法，用于深度学习模型中的射频指纹识别，提升了在受损信道下的鲁棒性。通过分别对5G信号应用CDL增强、对WiFi信号应用TDL增强，该方法在未观测数据上实现了87.59%的准确率，显著优于标准TDL/CDL和无增强基线方法的77.81%和74.84%。

ABSTRACT

Cyber-physical systems have recently been used in several areas (such as connected and autonomous vehicles) due to their high maneuverability. On the other hand, they are susceptible to cyber-attacks. Radio frequency (RF) fingerprinting emerges as a promising approach. This work aims to analyze the impact of decoupling tapped delay line and clustered delay line (TDL+CDL) augmentation-driven deep learning (DL) on transmitter-specific fingerprints to discriminate malicious users from legitimate ones. This work also considers 5G-only-CDL, WiFi-only-TDL augmentation approaches. RF fingerprinting models are sensitive to changing channels and environmental conditions. For this reason, they should be considered during the deployment of a DL model. Data acquisition can be another option. Nonetheless, gathering samples under various conditions for a train set formation may be quite hard. Consequently, data acquisition may not be feasible. This work uses a dataset that includes 5G, 4G, and WiFi samples, and it empowers a CDL+TDL-based augmentation technique in order to boost the learning performance of the DL model. Numerical results show that CDL+TDL, 5G-only-CDL, and WiFi-only-TDL augmentation approaches achieve 87.59%, 81.63%, 79.21% accuracy on unobserved data while TDL/CDL augmentation technique and no augmentation approach result in 77.81% and 74.84% accuracy on unobserved data, respectively.

研究动机与目标

• 解决在不同信道条件下射频指纹识别模型泛化能力差的挑战。
• 克服在所有环境和信道损伤条件下收集真实世界数据的不切实际性。
• 研究解耦数据增强策略（具体而言，对5G使用CDL，对WiFi使用TDL）在基于深度学习的射频指纹识别中的有效性。
• 评估仅5G使用CDL增强和仅WiFi使用TDL增强的方法与联合TDL/CDL增强及无增强基线方法的性能对比。
• 提升模型在真实世界部署中的鲁棒性和准确率，适用于无人机和联网车辆等安全网络物理系统。

提出的方法

• 对5G原始时域信号应用CDL（簇延迟线）变换，以模拟多径衰落和延迟扩展。
• 对WiFi原始时域信号应用TDL（抽头延迟线）变换，以模拟频率选择性衰落和延迟特性。
• 解耦增强过程：仅对5G数据应用CDL增强，仅对WiFi数据应用TDL增强，形成CDL+TDL技术。
• 通过仅对5G信号应用CDL变换而保持WiFi数据不变，实现仅5G使用CDL的增强。
• 通过仅对WiFi信号应用TDL变换而保持5G数据不变，实现仅WiFi使用TDL的增强。
• 在增强数据集上训练深度学习模型，并在POWDER测试平台的未观测数据（Day-2）上评估性能。

实验结果

研究问题

• RQ1 与标准TDL/CDL增强相比，解耦的CDL+TDL数据增强在受损信道下如何提升射频指纹识别准确率？
• RQ2 仅5G使用CDL增强相较于联合TDL/CDL和无增强基线方法的性能增益如何？
• RQ3 仅WiFi使用TDL增强与完整TDL/CDL和无增强方法相比，性能表现如何？
• RQ4 所提出的增强策略在未观测数据上的模型泛化能力提升程度如何？
• RQ5 针对异构无线系统，特定于信道的增强（5G使用CDL，WiFi使用TDL）是否优于通用增强方法？

主要发现

• CDL+TDL解耦增强方法在未观测数据上实现了87.59%的分类准确率，显著优于TDL/CDL基线的77.81%。
• 仅5G使用CDL增强方法实现了81.63%的准确率，表明即使仅对5G信号进行增强，性能也表现强劲。
• 仅WiFi使用TDL增强方法实现了79.21%的准确率，表明仅对WiFi信号应用TDL增强可提升鲁棒性，优于无增强方法。
• 无增强基线在未观测数据上的准确率仅为74.84%，凸显了在信道受损条件下进行数据增强的必要性。
• 与无增强基线相比，CDL+TDL方法准确率提升了超过12个百分点，表明性能有显著提升。
• 结果证实，针对5G和WiFi传播特性量身定制的信道特定数据增强，可显著提升真实世界射频指纹识别场景下的泛化能力。