面向长度多样性和抗噪声的射频指纹识别方案的设计与实现

面向长度多样性和抗噪声的射频指纹识别方案的设计与实现摘要随着物联网技术的快速发展，射频指纹识别技术在人们的日常生活中应用越来越广泛。射频指纹识别技术是通过分析硬件内部微小的差异多导致的信号变化，来对物联网设备进行分类识别，成为了确保无线设备安全认证的重要方法。但是目前基于多层感知机和卷积神经网络的射频指纹识别系统存在输入长度固定、在低信噪比环境下的分类准确率低等问题，限制了射频指纹识别技术发展和进步。为了解决接收信号长度多样性和低信噪比场景下性能低的问题，本文实现了一种面向长度多样性和抗噪声的射频指纹识别方案，并且方案中在针对深度学习驱动的传统模型基础上提出了四种新型的神经网络模型：改进的CNN结构、长短期记忆网络LSTM、门控循环单元GRU和Transformer。这些模型能够处理不同长度的信号，并且能够通过实时数据增强技术有效提升对噪声的适应能力。此外，实验结合多个数据包的联合分析的策略，使得射频指纹识别系统在低信噪比SNR环境下的分类准确率得到了显著提高。在LoRa技术的实际测试中，实时数据增强技术使系统在15dB低信噪比条件下的分类准确率提升至近90%，而结合多个数据包分析后，准确率可再提高超过20%。这样一来，则找到了一种既简单又有效的方法，可以帮助物联网设备更安全、更可靠地进行身份识别。关键词物联网射频指纹识别神经网络LoRa技术深度学习AbstractWiththerapiddevelopmentofInternetofThingstechnology,RFfingerprintrecognitiontechnologyismoreandmorewidelyusedinpeople'sdailylife.RFfingerprintrecognitiontechnologyisanimportantmethodtoensurethesecurityauthenticationofwirelessdevicesbyanalyzingthesignalchangescausedbysmalldifferenceswithinthehardware.However,thecurrentRFfingerprintrecognitionsystembasedonmultilayerperceptronandconvolutionalneuralnetworkhasproblemssuchasfixedinputlengthandlowaccuracyinlowsignal-to-noiseratioenvironment,whichlimitsthedevelopmentandprogressofRFfingerprintrecognitiontechnology.

Inordertosolvetheproblemsofreceivedsignallengthdiversityandlowperformanceinthescenariooflowsignal-to-noiseratio,thispaperimplementsanRFfingerprintingschemeforlengthdiversityandanti-noise,andproposesfournewneuralnetworkmodelsbasedonthetraditionalmodeldrivenbydeeplearning:improvedCNNstructure,longshort-termmemorynetworkLSTM,gatedrecurrentunitGRUandTransformer.Thesemodelsarecapableofhandlingsignalsofvaryinglengthsandareeffectivelyresilienttonoisethroughreal-timedataaugmentation.Inaddition,theexperimentalcombinationwiththejointanalysisstrategyofmultiplepacketsmakestheclassificationaccuracyoftheRFfingerprintingsystemintheenvironmentoflowsignal-to-noiseratio(SNR)significantlyimproved.

IntheactualtestofLoRatechnology,thereal-timedataaugmentationtechnologyimprovestheclassificationaccuracyofthesystemtonearly90%atalowsignal-to-noiseratioof15dB,andcanbeimprovedbymorethan20%whencombinedwithmultiplepacketanalysis.TheresultisasimpleandeffectivewaytohelpIoTdevicesidentifymoresecurelyandreliably.KeywordsInternetofThingsRFfingerprintingNeuralnetworksLoRatechnologyDeeplearning目录TOC\o"1-3"\h\u第1章绪论 表4-4中的分类准确性结果很显然表明了不同位置的特征码性质也不同。图4-SEQ图4-\*ARABIC8前导码波形因此即使每个前导码使用相同的有效载荷进行调制，前导码的特性也是不同的。因此，无展平CNN可以同时处理8个前导码来学习它们之间的差异以及相关性。相比之下，切片CNN每次只接收一小段切片，并且所有每切片推理都通过简单的平均来合并。这种方式会限制CNN模型来学习特征不同的前导码之间相关性的能力，从而导致切片CNN的性能变差。4.5结果总结与讨论本章通过实验对前文设计的面向长度多样性和抗噪声的射频指纹识别方案进行验证推理。不同的扩频因子SF对于四种长度自适应的神经网络在同一信噪比场景下的影响不大，模型的分类准确性没有出现很大差异，因此四种神经网络在处理长度可变的噪声信号时，具有稳定的适应性。实验通过两种方式来提高低信噪比SNR场景中的射频指纹识别系统的性能。一种是在训练阶段系统模型通过使用在线增强和离线增强两种策略对噪声信号的处理，然后对比得出在线增强策略可以显著提高模型的噪声鲁棒性；另一种是在推理期间使用多包推理的策略。在低信噪比SNR场景下，使用多数据包推理可以显著提高射频指纹识别系统20%以上的分类准确率，但多数据包推理策略不宜在信噪比较高的场景下使用，否则会增加系统开销，浪费资源甚至会影响模型的平衡性能。最后再将切片CNN与无展平CNN进行复杂性比较分析，表明了即使LoRa前导码的有效载荷相同，它们的特性也存在很大的差异。第5章总结与展望5.1本文主要研究内容在物联网取得众多突破性进展的背景下，使用无线设备进行身份识别成为了网络安全的重要保障。射频指纹识别技术逐渐取代了传统的认证方法，成为了解决问题的关键。但射频指纹识别技术依然存在不足，解决问题还不够成熟。论文针对射频指纹识别技术的局限性，旨在解决基于深度学习的射频指纹识别方案中的可变信号长度输入和场景低信噪比问题。论文的主要研究内容如下：(1)本文首先对LoRa设备为例，引出射频指纹识别技术面临的两个重大挑战即可变长度输入和低信噪比问题。并介绍了基于深度学习的神经网络模型在处理可变长度信号输入时存在的问题。(2)由于LoRaWAN的ADR机制导致LoRa设备的前导码的长度可变，这要求模型能够处理不同长度的输入。因此论文中设计了面向长度多样性和抗噪声的射频指纹识别方案。其中包含了四种长度可变的神经网络模型即无展平CNN、LSTM网络、GRU网络、transformer。并提出采用数据增强和多包推理的策略来增强模型的噪声鲁棒性。(3)在给定的代码和数据集上进行实验，比较了在线、离线和无增强策略的性能，发现在线增强优于其他策略。利用多数据包推理的方法，可以显著提高低信噪比场景中的系统性能。最后与传统的切片技术进行性能比较，指明了前导码的不同导致分类性能的差异。5.2研究展望本文在物联网设备的射频指纹识别领域取得了重要进展，但仍存在若干问题值得进一步探索。(1)论文中的研究依赖的公开数据集，其中数据采集时间较早，而物联网设备的固件与硬件更新可能会导致射频指纹特征发生变化。未来需重新采集最新设备在不同软件版本下的信号数据，分析版本迭代对指纹区分度的影响，并设计动态更新机制以增强模型的长期适应性。(2)实验受限于设备类型和数量，实验中的数据仅仅针对10种LoRa设备进行验证，缺乏多样性。未来需将方法扩展至更多物联网协议和设别来验证模型在异构场景下的泛化能力，提升技术普遍适应性。并且需要进一步优化算法性能。探索集成学习、自监督学习等新型机器学习框架；融合多模态信号特征如瞬态响应、功率谱特性等，构建更鲁棒的识别模型。此外，结合边缘计算优化推理效率，推动射频指纹识别技术在资源受限的物联网节点中的实际部署。(3)标准化与跨平台兼容性也同样是非常关键的挑战。不同厂商设备的硬件差异可能会导致指纹特征分布不一致，需要研究跨设备域来找到适应的方法，或者制定各种设备统一的信号预处理和特征表达的标准，来支持大规模不同物联网平台环境的协同认证。(4)实际部署的安全性需要加强。射频指纹识别可能会面临着对抗攻击，比如在分类时受到细微信号的干扰而导致结果的准确性等，需要研究对抗训练或鲁棒特征的提取方法来增强模型的抗干扰能力。同时，需要设置隐私的保护机制，防止在系统识别过程中，指纹信息被恶意利用从而进行设备追踪，进一步提升射频指纹识别的实用价值和影响力。参考文献J.Zhangetal.,“Radiofrequencyfingerprintidentificationfornarrowbandsystems,modellingandclassification,”IEEETrans.Inf.ForensicsSecurity,vol.16,pp.3974–3987,2021.Z.Zhuangetal.,“FBSleuth:Fakebasestationforensicsviaradiofrequencyfingerprinting,”inProc.ACMAsiaConf.Comput.Commun.Secur.,2018,pp.261–272.A.C.Polak,C.Dolatshahi,andD.L.Goeckel,“Identifyingwirelessusersviatransmitterimperfections,”IEEEJ.Sel.AreasCommun.,vol.29,no.7,pp.1469–1479,Aug.2011.S.Balakrishnan,S.Gupta,A.Bhuyan,P.Wang,D.Koutsonikolas,andZ.Sun,“Physicallayeridentificationbasedonspatial–temporalbeamfeaturesformillimeter-wavewirelessnetworks,”IEEETrans.Inf.ForensicsSecurity,vol.15,pp.1831–1845,2020.K.Joo,W.Choi,andD.H.Lee,“Holdthedoor!Fingerprintingyourcarkeytopreventkeylessentrycartheft,”inProc.Netw.Distrib.Syst.Secur.Symp.,2020,pp.1–18.X.Wang,P.Hao,andL.Hanzo,“Physical-layerauthenticationforwirelesssecurityenhancement:Currentchallengesandfuturedevelopments,”IEEECommun.Mag.,vol.54,no.6,pp.152–158,Jun.2016.L.Peng,A.Hu,J.Zhang,Y.Jiang,J.Yu,andY.Yan,“DesignofahybridRFfingerprintextractionanddeviceclassificationscheme,”IEEEInternetThingsJ.,vol.6,no.1,pp.349–360,Feb.2019.G.Shen,J.Zhang,A.Marshall,L.Peng,andX.Wang,“RadiofrequencyfingerprintidentificationforLoRausingspectrogramandCNN,”inProc.IEEEInt.Conf.Comput.Commun.(INFOCOM),May2021,pp.1–10.C.Bertoncini,K.Rudd,B.Nousain,andM.Hinders,“Waveletfingerprintingofradio-frequencyidentification(RFID)tags,”IEEETrans.Ind.Electron.,vol.59,no.12,pp.4843–4850,Dec.2012.R.Das,A.Gadre,S.Zhang,S.Kumar,andJ.M.Moura,“AdeeplearningapproachtoIoTauthentication,”inProc.IEEEInt.Conf.Commun.(ICC),May2018,pp.1–6.G.Shen,J.Zhang,A.Marshall,L.Peng,andX.Wang,“RadiofrequencyfingerprintidentificationforLoRausingdeeplearning,”IEEEJ.Sel.AreasCommun.,vol.39,no.8,pp.2604–2616,Aug.2021.S.Hanna,S.Karunaratne,andD.Cabric,“Opensetwirelesstransmitterauthorization:Deeplearningapproachesanddatasetconsiderations,”IEEETrans.Cognit.Commun.Netw.,vol.7,no.1,pp.59–72,Mar.2021.N.Soltani,K.Sankhe,J.Dy,S.Ioannidis,andK.Chowdhury,“Moreisbetter:Dataaugmentationforchannel-resilientRFfingerprinting,”IEEECommun.Mag.,vol.58,no.10,pp.66–72,Oct.2020.D.Roy,T.Mukherjee,M.Chatterjee,E.Blasch,andE.Pasiliao,“RFAL:AdversariallearningforRFtransmitteridentificationandclassification,”IEEETrans.Cognit.Commun.Netw.,vol.6,no.2,pp.783–801,Jun.2020.A.Al-Shawabkaetal.,“Exposingthefingerprint:Dissectingtheimpactofthewirelesschannelonradiofingerprinting,”inProc.IEEEINFOCOM,Dec.2020,pp.646–655.V.Brik,S.Banerjee,M.Gruteser,andS.Oh,“Wirelessdeviceidentificationwithradiometricsignatures,”inProc.14thACMInt.Conf.MobileComput.Netw.,SanFrancisco,CA,USA,Mar.2008,pp.116–127.B.Danev,T.S.Heydt-Benjamin,andS.Capkun,“Physical-layeridentificationofRFIDdevices,”inProc.USENIXSecur.Symp.,2009,pp.199–214.E.Ozturk,F.Erden,andI.Guvenc,“RF-basedlow-SNRclassificationofUAVsusingconvolutionalneuralnetworks,”2020,arXiv:2009.05519.Y.Xing,A.Hu,J.Zhang,L.Peng,andG.Li,“OnradiofrequencyfingerprintidentificationforDSSSsystemsinlowSNRscenarios,”IEEECommun.Lett.,vol.22,no.11,pp.2326–2329,Nov.2018.J.Yu,A.Hu,G.Li,andL.Peng,“ArobustRFfingerprintingapproachusingmultisamplingconvolutionalneuralnetwork,”IEEEInternetThingsJ.,vol.6,no.4,pp.6786–6799,Aug.2019.Y.Qian,J.Qi,X.Kuai,G.Han,H.Sun,andS.Hong,“Specificemitteridentificationbasedonmulti-levelsparserepresent