[论文解读] PAST-AI: Physical-layer Authentication of Satellite Transmitters via Deep Learning

Gabriele Oligeri, Simone Raponi+2 more|arXiv (Cornell University)|Oct 12, 2020

Wireless Signal Modulation Classification被引用 5

一句话总结

本文提出PAST-AI，一种基于深度学习的低地球轨道（LEO）卫星发射器物理层认证框架，利用IQ样本指纹识别技术。通过在IRIDIUM星座的真实数据上应用卷积神经网络（CNN）和自编码器，该方法在单对多场景下的AUC值超过0.93，在单对单分类场景中超过0.96，认证准确率在0.8至1.0之间。

ABSTRACT

Physical-layer security is regaining traction in the research community, due to the performance boost introduced by deep learning classification algorithms. This is particularly true for sender authentication in wireless communications via radio fingerprinting. However, previous research efforts mainly focused on terrestrial wireless devices while, to the best of our knowledge, none of the previous work took into consideration satellite transmitters. The satellite scenario is generally challenging because, among others, satellite radio transducers feature non-standard electronics (usually aged and specifically designed for harsh conditions). Moreover, the fingerprinting task is specifically difficult for Low-Earth Orbit (LEO) satellites (like the ones we focus in this paper) since they orbit at about 800Km from the Earth, at a speed of around 25,000Km/h, thus making the receiver experiencing a down-link with unique attenuation and fading characteristics. In this paper, we propose PAST-AI, a methodology tailored to authenticate LEO satellites through fingerprinting of their IQ samples, using advanced AI solutions. Our methodology is tested on real data -- more than 100M I/Q samples -- collected from an extensive measurements campaign on the IRIDIUM LEO satellites constellation, lasting 589 hours. Results are striking: we prove that Convolutional Neural Networks (CNN) and autoencoders (if properly calibrated) can be successfully adopted to authenticate the satellite transducers, with an accuracy spanning between 0.8 and 1, depending on prior assumptions. The proposed methodology, the achieved results, and the provided insights, other than being interesting on their own, when associated to the dataset that we made publicly available, will also pave the way for future research in the area.

研究动机与目标

• 解决LEO星座中卫星发射器缺乏物理层认证解决方案的问题。
• 应对LEO卫星链路中高路径损耗、多径衰落、多普勒频移和短链路时长带来的挑战。
• 开发一种针对LEO卫星独特射频传播特性量身定制的鲁棒、基于人工智能的指纹识别方法。
• 证明在高动态、高空卫星通信环境中，利用深度学习实现基于硬件的认证的可行性。
• 提供公开可获取的数据集，以支持可复现性，并推动卫星物理层安全领域的未来研究。

提出的方法

• 在589小时的测量活动中，从IRIDIUM LEO卫星星座中采集超过1亿个I/Q样本。
• 利用卷积神经网络（CNN）和自编码器，从I/Q样本中学习并提取独特的无线电信号指纹。
• 采用一对多和一对一分类策略，评估整个星座中所有卫星的认证性能。
• 通过计算重构I/Q样本与原始I/Q样本之间的均方误差（m.s.e.），量化相似性，并支持基于阈值的决策。
• 使用ROC曲线和AUC指标评估不同阈值下真正例率与假正例率之间的权衡。
• 通过一系列阈值（0.2至1.5）校准模型，以识别最小化假阳性与假阴性的最优工作点。

实验结果

研究问题

• RQ1 尽管存在高动态特性和信道损伤，深度学习驱动的无线电信号指纹识别是否能有效应用于认证LEO卫星发射器？
• RQ2 路径损耗、衰落和多普勒频移等信道效应如何影响深度学习模型在卫星指纹识别中的性能？
• RQ3 当应用于真实世界中的LEO卫星I/Q样本时，CNN与自编码器可实现的认证准确率是多少？
• RQ4 在卫星指纹识别中，一对多与一对一分类策略的性能表现如何比较？
• RQ5 在真实链路条件下，所提出的方法在IRIDIUM星座全范围内具备多大程度的泛化能力？

主要发现

• 所提出的PAST-AI框架在不同场景和假设下，认证准确率范围为0.8至1.0。
• 在一对多分类设置中，卫星ID 25的AUC达到0.98，最优工作点为TPR=1.0且FPR=0.048。
• 所有66颗卫星最优ROC点的热力图显示，所有最优点均聚集在理想点（TPR=1，FPR=0）附近，表明性能高度一致且可靠。
• 在一对一场景中，95%的卫星对AUC达到1.0，仅有少数几对的AUC略低于0.99。
• 在一对一设置中，所有卫星的中位AUC为1.0，第95百分位数也为1.0，表明分类性能近乎完美。
• 来自IRIDIUM星座的超过1亿个I/Q样本数据集已公开，支持可复现性，并为未来卫星物理层安全研究提供基准。