[论文解读] Uncovering the Portability Limitation of Deep Learning-Based Wireless Device Fingerprints

Bechir Hamdaoui, Abdurrahman Elmaghbub|arXiv (Cornell University)|Nov 14, 2022

Wireless Signal Modulation Classification被引用 6

一句话总结

本文研究了基于深度学习的无线设备指纹技术在不同部署场景（如信道条件、接收机硬件和协议配置）下的可移植性限制。提出 Tweak 和 WideScan 方法以增强对域变化的鲁棒性，通过度量学习和带外特征提取，显著提升了准确率，同时减少了数据需求和标注成本。

ABSTRACT

Recent device fingerprinting approaches rely on deep learning to extract device-specific features solely from raw RF signals to identify, classify and authenticate wireless devices. One widely known issue lies in the inability of these approaches to maintain good performances when the training data and testing data are collected under varying deployment domains. For example, when the learning model is trained on data collected from one receiver but tested on data collected from a different receiver, the performance degrades substantially compared to when both training and testing data are collected using the same receiver. The same also happens when considering other varying domains, like channel condition and protocol configuration. In this paper, we begin by explaining, through testbed experiments, the challenges these fingerprinting techniques face when it comes to domain portability. We will then present some ideas on how to go about addressing these challenges so as to make deep learning-based device fingerprinting more resilient to domain variability.

研究动机与目标

• 研究当训练数据与测试数据在不同部署域下采集时，基于深度学习的设备指纹技术性能下降的问题。
• 识别射频信号指纹可移植性差的根本原因，包括信道变化、接收机硬件差异以及协议配置不匹配。
• 提出实用且低复杂度的解决方案，增强指纹技术对域偏移的鲁棒性，同时无需大规模重训练或修改发射端。
• 在多种域变化的实际测试环境中验证所提技术的有效性。

提出的方法

• 提出 Tweak，一种基于度量学习的方法，仅需目标域中极少的标注数据即可实现高精度设备识别，显著降低训练时间和计算成本。
• 在 Tweak 中采用轻量级校准过程，以适应不同接收机或信道条件等域之间的指纹差异，适用于资源受限设备。
• 提出 WideScan，一种技术，可从带内和带外射频频谱区域提取设备特定特征，以提升设备可分性。
• 利用带外频谱中的硬件引入的非线性失真，构建更鲁棒且更具区分度的指纹，增强对域偏移的鲁棒性。
• 使用包含 60 个 Pycom 设备和 2 个 USRP B210 接收机的真实物联网测试平台，在不同条件（不同日期、接收机、LoRa 配置）下采集数据以进行评估。
• 在三种域变化下评估性能：时间域（不同日期）、硬件域（不同接收机）和协议域（不同 LoRa 配置），测量准确率的退化与提升。

实验结果

研究问题

• RQ1 域变化（如信道条件、接收机硬件或协议配置的变化）如何影响基于深度学习的无线设备指纹技术性能？
• RQ2 为何现有的数据增强和信号修改技术在真实部署场景中无法有效解决指纹可移植性问题？
• RQ3 基于度量学习的轻量级校准过程是否能仅用极少标注数据即显著提升不同部署域下的指纹识别准确率？
• RQ4 带外频谱特征在多大程度上可提升无线指纹识别中设备的可分性及对域偏移的鲁棒性？

主要发现

• 当训练与测试数据在不同域下采集时，基于深度学习的设备指纹技术表现出显著的准确率下降，例如在不同日期、接收机或 LoRa 协议配置下。
• 当训练域与测试域不匹配时，性能显著下降，跨域条件下的准确率相比同域评估急剧下降。
• Tweak 通过仅使用目标域中极少的标注数据并减少训练开销，提升了指纹技术在域偏移下的鲁棒性。
• WideScan 通过利用带外频谱中的硬件引入失真，增强了设备可分性，从而在域变化下提升了指纹识别准确率。
• Tweak 和 WideScan 均在无需修改发射端或大规模重训练的前提下，显著提升了可移植性与鲁棒性。
• 所提技术计算效率高，适用于资源受限设备部署，有效应对物联网和 6G 网络中的实际部署挑战。