[论文解读] Supervised and Semi-Supervised Deep Neural Networks for CSI-Based Authentication

Qian Wang, Hang Li+4 more|arXiv (Cornell University)|Jul 25, 2018

Digital Media Forensic Detection参考文献 20被引用 15

一句话总结

本文提出了一种基于监督和半监督深度神经网络——具体为CNN、RNN和CRNN架构——的CSI级物理层用户认证方法，实现了无需预先建模信道的鲁棒身份验证。在真实世界数据上，CRNN模型实现了最高的准确率（98.1%），而采用伪标签的半监督学习方法即使在标注样本有限的情况下也能保持优异性能。

ABSTRACT

From the viewpoint of physical-layer authentication, spoofing attacks can be foiled by checking channel state information (CSI). Existing CSI-based authentication algorithms mostly require a deep knowledge of the channel to deliver decent performance. In this paper, we investigate CSI-based authenticators that can spare the effort to predetermine channel properties by utilizing deep neural networks (DNNs). We first propose a convolutional neural network (CNN)-enabled authenticator that is able to extract the local features in CSI. Next, we employ the recurrent neural network (RNN) to capture the dependencies between different frequencies in CSI. In addition, we propose to use the convolutional recurrent neural network (CRNN)---a combination of the CNN and the RNN---to learn local and contextual information in CSI for user authentication. To effectively train these DNNs, one needs a large amount of labeled channel records. However, it is often expensive to label large channel observations in the presence of a spoofer. In view of this, we further study a case in which only a small part of the the channel observations are labeled. To handle it, we extend these DNNs-enabled approaches into semi-supervised ones. This extension is based on a semi-supervised learning technique that employs both the labeled and unlabeled data to train a DNN. To be specific, our semi-supervised method begins by generating pseudo labels for the unlabeled channel samples through implementing the K-means algorithm in a semi-supervised manner. Subsequently, both the labeled and pseudo labeled data are exploited to pre-train a DNN, which is then fine-tuned based on the labeled channel records.

研究动机与目标

• 解决传统无线认证方案中密钥管理开销高且易受密钥破解攻击的问题。
• 克服现有基于CSI的认证方法依赖精确先验信道模型且对信道估计误差敏感的局限性。
• 开发基于深度学习的认证器，可自动从CSI中提取不变特征，而无需依赖预定义的信道特性。
• 将监督DNN模型扩展为半监督变体，以减少真实部署中对昂贵标注训练数据的依赖。
• 证明深度神经网络由于对数据变换具有更强鲁棒性，因此在真实世界数据上的泛化能力优于传统机器学习方法。

提出的方法

• 提出基于CNN的认证器，从CSI矩阵中提取局部空间特征，增强对环境和硬件引起的变异的不变性。
• 引入基于RNN的分类器，对CSI中子载波间的时序和频谱依赖关系进行建模，捕捉长距离相关性。
• 将CNN与RNN结合为CRNN架构，联合学习CSI中的局部模式和上下文依赖关系，以提升认证性能。
• 开发一种半监督训练框架，利用K-means聚类为未标注信道样本生成伪标签，实现对标注和伪标注数据的联合训练。
• 使用标注和伪标注数据对DNN进行预训练，随后在标注集上进行微调，以提升泛化能力和收敛性。
• 采用小批量随机梯度下降（SGD）并配合衰减学习率（每20个周期减半）对仿真和真实CSI数据上的神经网络进行端到端训练。

实验结果

研究问题

• RQ1 深度神经网络能否在无需信道模型先验知识的情况下，有效从CSI中学习用于用户认证的判别性特征？
• RQ2 在认证任务中，CNN、RNN和CRNN架构在捕捉CSI中局部和上下文特征方面的表现如何比较？
• RQ3 半监督学习在CSI-based认证中在多大程度上可减少对标注训练数据的需求，同时保持高准确率？
• RQ4 尽管仿真假设更简单，为何基于深度学习的方法在真实世界CSI数据上仍优于传统基准方法？
• RQ5 真实世界数据中包含的数据变换（如缩放、平移）如何影响DNN相对于合成仿真数据的泛化性能？

主要发现

• 基于CRNN的认证器在真实世界CSI数据上实现了98.1%的最高认证准确率，优于所有基准和其他DNN变体。
• 在真实世界数据上，DNN方法（尤其是CRNN）的准确率高于仿真数据，其中CNN-r为97.4%，RNN-r为95.5%，表明其对真实世界失真具有更强鲁棒性。
• 传统基准方法（KNN、Logistic、SVM）在仿真数据上的表现优于真实数据，其中KNN在真实数据上下降至87.3%，凸显其对数据分布偏移的敏感性。
• DNN的半监督扩展即使在标注样本有限的情况下也能实现优异性能，因为伪标签策略能有效利用未标注数据。
• CRNN模型在所提出的DNN中收敛时间最快（10.2秒），同时兼具高准确率，展现出高效性。
• 与传统模型相比，DNN在仿真与真实世界数据之间的性能差距被反转，证明DNN对真实世界变换（如缩放和平移）具有更强鲁棒性。