基于深度学习的射频指纹识别技术,用于实现安全的物理层设备认证
《IEEE Access》:Deep Learning-Based RF Fingerprinting for Secure Physical-Layer Device Authentication
【字体:
大
中
小
】
时间:2026年05月18日
来源:IEEE Access 3.6
编辑推荐:
摘要:射频指纹识别(RFF)作为一种有前景的物理层认证技术,能够利用固有的硬件缺陷来唯一识别无线发射器。在本研究中,提出了一个完整的端到端RFF框架,该框架能够合成高度真实的设备信号,构建混合时间和频率特征表示,并评估多种深度学习架构用于多设备分类。使用QPSK和BPSK基带调制
摘要:射频指纹识别(RFF)作为一种有前景的物理层认证技术,能够利用固有的硬件缺陷来唯一识别无线发射器。在本研究中,提出了一个完整的端到端RFF框架,该框架能够合成高度真实的设备信号,构建混合时间和频率特征表示,并评估多种深度学习架构用于多设备分类。使用QPSK和BPSK基带调制方案,为20个RF设备生成了一个数据集,每个设备都模拟了不同的缺陷,包括采样时钟偏移、载波频率偏移、相位噪声、静态相位旋转、非线性功率放大器失真、直流偏移、随机相位噪声和I/Q不平衡。这些信号随后被分割成固定长度的标准化I/Q样本,并提取基于FFT的频谱幅度。实验结果表明,深度卷积神经网络(CNN)模型的准确率为94.32%,显著优于其他CNN变体。ROC分析进一步验证了深度CNN的卓越区分能力。所提出的框架突显了深度CNN在可靠RF设备识别方面的潜力,并为涉及实时RF捕获和动态信道条件的安全无线认证的未来研究奠定了坚实的基础。CCBY - IEEE不是该材料的版权所有者。请通过https://creativecommons.org/licenses/by/4.0/遵循说明以获取全文文章和API文档中的规定。
第一部分:引言
通信系统领域的快速发展,包括5G/6G、WiFi 6和大规模物联网系统,加剧了对物理层安全和可靠设备认证的需求。传统的加密方法严重依赖于存储在易受攻击内存位置的密钥,容易受到克隆、欺骗和重放攻击的影响。因此,射频指纹识别(RFF)——利用无线电发射器固有的不可克隆的硬件缺陷——已成为一种有前景的补充认证机制。由于振荡器、混频器、ADC/DAC链路和功率放大器的制造公差,RF设备表现出独特的失真模式。这些缺陷表现为I/Q轨迹、频谱特性及其瞬态行为中的可测量变化。RFF的鲁棒性需要真实的设备建模、高质量的特征提取,以及能够在噪声、信道模型变化和长期漂移存在的情况下区分设备签名的强大判别学习架构。
RFF涉及手工特征提取,然后使用机器学习(ML)或深度学习(DL)技术进行设备识别。关于RFF方法和现有最先进方法中挑战的全面调查在[1]和[4]中进行了概述。在[4]中,为物理层认证中使用的显著特征提供了结构化的分类。这些特征可能是基于调制的,利用调制信号中的错误,如幅度或相位错误、载波频率偏移(CFO)或I/Q不平衡。另一类特征基于发射器从空闲状态切换时的瞬态行为,包括幅度/相位的包络、小波系数、赫斯特参数等。第三类特征包括信号的时序依赖属性,如射频识别(RFID)的响应、时钟偏斜等。
在[2]中,使用传统的基于机器学习的分类器来识别IEEE 802.11中的设备特定特征。为了进行分析,从138个相同的Atheros 802.11b网络接口卡(NIC)收集了实时数据,缺陷包括频率、相位和幅度错误以及它们的相关因素。在此分析中使用了支持向量机(SVM)和k-最近邻(kNN)分类器。在[3]中,使用基于排列熵的手工特征,展示了由Anykey AKDS700无线电生成的RFF。即使在噪声环境中,基于SVM的设备识别也优于双树复小波变换和基于分形维度的特征。
利用分形的自相似性属性,通过基因签名来探索硬件缺陷[5]。在[10]中,使用SVM分类器对从10个无线电收集的数据进行多分形谱特征分析,RFF准确率为98.2%。传统的基于RFF的方法依赖于手动设计的参数,使用基于调制或统计的特征,但这些方法在噪声和信道变化存在时通常会退化。在[6]中提出了一种轻量级的卷积神经网络(CNN)基方法,用于Zigbee设备的射频指纹识别(RFFI)。结果显示,在高信噪比(SNR)环境下具有非常高的准确率(99.99%)。在[7]中可以观察到DL技术在设备认证方面优于传统ML技术,如SVM、随机森林(RF)和决策树(DT)。
RFFI反映了从手动设计的硬件依赖特征到数据驱动的DL和混合认证框架的进步。早期工作主要依赖于提取手工制作的缺陷,如载波频率偏移、I/Q不平衡和非线性。最近在RFFI中的研究使用了DL模型,如CNN、多层感知器(MLP)和长短期记忆(LSTM)网络。这些DL模型自动从I/Q样本、频谱图或FFT表示中学习设备特定的微妙失真,从而提高了WiFi、ZigBee和LoRa系统的分类性能[9]。无监督学习方法也可用于设备认证。在[8]中,使用设备认证码(DAC),它使用卷积自动编码器生成设备特定的重建误差分布,然后通过双样本Kolmogorov-Smirnov测试来区分授权设备和入侵者。
在[10]中,通过系统地评估来自实时5G室外软件定义无线电(SDR)的原始I/Q切片和基于频谱图的表示来进行RFF。在[23]中可以看到非线性RF缺陷的数学建模。使用ResNet、Transformer和LSTM等DL模型进行设备识别。在[12]中提出了一个基于正交时频空间(OTFS)的识别框架,该框架利用延迟-多普勒效应和低SNR环境,与传统时域方法相比具有优势。在[13]中,探索了基于CNN的RFF系统。他们的发现表明,这些系统对信道变化、功率循环和设备不稳定性等干扰仍然非常敏感。在他们的工作中使用实时SDR实验系统地分析了带外干扰。
在[14]中实现了使用星座图作为最佳发射器指纹,并利用传输学习和幅度及相位失真。采用了CNN变体:LeNet、AlexNet、VGG-16和ResNet-16进行特征提取和分类。VGG-16在RFFI中的准确率最高,达到100%,使用16-QAM方案。可以利用计算机视觉技术很好地研究后门攻击,它们对RFF的影响仍有待探索。在[15]中,对多个RF数据集进行的实验表明,在干净数据的情况下,成功率超过99%,且退化最小。
早期的RFF研究表明,CNN在信号分类任务中的性能高度依赖于网络架构和系统的超参数调整[16]。像浅层CNN这样的DL架构具有较低的计算复杂性,而更深层次的架构,如ResNet、Inception和DenseNet,则表现出更好的特征学习、鲁棒性和泛化能力。传统手工制作的特征基方法面临的局限性通过特定发射器识别(SEI)策略得到了强调,但它们通常缺乏判别信息,因此需要复杂的多阶段处理。基于深度学习的SEI模型,如RFFs Network for Specific Emitter Identification(RFFsNet-SEI)[17],利用多维RFF,通过变分模式分解(VMD)和希尔伯特变换进行端到端设备指纹识别。
在[20]中可以看到用于物理层设备识别的差分复值卷积神经网络(CV-CNN)。将差分处理应用于复数I/Q基带信号,可以减轻由载波频率偏移和多普勒位移引起的相位旋转,同时保持幅度-相位非线性。这种方法避免了I/Q到图像的转换,减少了信息损失和所需的数据长度。
许多先前的工作已经利用在I/Q波形或频谱表示上训练的DL模型进行RFF。表1总结了不同的特征、分类器以及为RFF进行的分析类型。本工作的主要贡献可以总结为:
- 一个考虑缺陷的合成信号生成框架,提供对20个RF设备硬件引起的RF设备变异性的受控建模,使用数字调制方案。
- 模拟了不同的缺陷,如采样时钟偏移(SCO)、载波频率偏移(CFO)、相位噪声、静态相位旋转(SPR)、非线性功率放大器失真(PA非线性)、直流偏移、随机相位噪声(SPN)和I/Q不平衡。
- 提出了一种结合I/Q向量和FFT幅度的混合特征表示,以捕获RFF的时间和频谱设备特性。
- 开发了一个完整的端到端RFF框架,能够合成高度真实的设备信号,构建混合时间和频率特征表示,并进行基于DL的分类。
- 一种自定义的深度CNN架构,能够捕获嵌入在复杂基带I/Q信号中的微妙硬件缺陷。
- 在这个20设备数据集上利用多种CNN变体进行跨架构评估,从而分析表示-架构之间的相互作用。
第二部分:方法论
在这项研究中,我们设计了一个完整的端到端RFF框架,该框架集成了真实的物理层信号生成、多域特征提取和利用五种CNN变体的跨架构评估,并进行了广泛的超参数调整。图1表示所提出方法的框图。
A. 信号生成和调制
所提出的RFF框架首先生成一个干净的信号,作为所有设备的参考波形。在这项工作中,使用了正交相移键控(QPSK)[18]和二进制相移键控(BPSK)调制方案[21]来评估系统的鲁棒性。然后,将随机生成的比特流映射到BPSK星座图或QPSK星座图上。选择200,000个符号计数,以确保所有设备的信号样本在统计上丰富且多样化。
我们模拟了20个合成RF设备,每个设备都被分配了一组独特的硬件缺陷,以模拟现实世界中的发射器非理想情况。这些硬件缺陷包括:采样时钟偏移(SCO)、载波频率偏移(CFO)、相位噪声、静态相位旋转(SPR)、非线性功率放大器失真(PA非线性)、直流偏移、随机相位噪声(SPN)和I/Q不平衡。这些缺陷被依次注入,以物理上有意义的方式变形原始基带波形。表2列出了每种缺陷、其数学形式、分布和用于数据生成的范围。
表2 RF缺陷
在表2中,r(t)表示接收信号,x(t)表示发送信号,fst表示发送信号的采样频率,fsr表示接收信号的采样频率,fct表示发射机的载波频率,fcr表示接收机的载波频率,Asat表示饱和幅度,p表示平滑参数,?(t)表示相位噪声。对于I/Q不平衡,α和θ是复数系数,g和θ分别是幅度和相位不平衡。
在这项工作中,以受控和可重复的方式合成引入硬件缺陷,以模拟设备特定的RF指纹。每个模拟设备都从现实硬件容差分布中分配了一组独特的参数。受损信号在受控的SNR水平下受到加性高斯白噪声(AWGN)的干扰,以评估分类器的鲁棒性。
我们假设一个基带接收器,以10 MHz的采样率工作,以4×符号率的过采样I/Q捕获率进行捕获,足以保留超出标称信号带宽的宽带硬件失真[6]。应用基于根升余弦的匹配滤波来模拟实际的前端滤波。此外,假设接收机模型不使用同步技术,如相位和载波频率同步以及信道均衡[11]。这些确保了硬件引起的缺陷,如振荡器偏移和非线性失真,在接收到的I/Q样本中得到保留,这对于RFF至关重要。
B. 预处理和信号条件
在应用缺陷后,对复数波形进行预处理,以标准化数据以便进行特征提取,然后进行基于DL的训练。分离实部(I)和虚部(Q)分量,然后对信号进行归一化,以确保幅度一致,并防止功率变化影响分类器。在SCO建模期间,应用上采样操作以确保所有20个设备信号的适当对齐和均匀样本计数。
为了定性验证硬件缺陷引入的多样性,可视化了一部分设备的I/Q波形、星座图、频谱幅度图和I/Q轨迹。**帧分割与数据集构建**
为了准备基于深度学习(DL)的分类数据集,每个完整长度的信号被分割成固定大小的帧,每个帧包含1024个样本。每个帧都经过处理以提取时域和频域特征。时域的表示由标准化的I/Q向量组成,而频域的表示则是通过快速傅里叶变换(FFT)计算复数样本的幅度谱得到的。这些样本随后被堆叠成一个大小为2*1024的张量,其中通道对应于I和Q分量。根据来源设备,每个帧都被标记,从而创建了一个适合模型训练的大型监督数据集。
**D. 深度学习架构**
我们在分析中使用了五种CNN变体:浅层CNN、深层多层CNN、ResNet风格的残差网络、Inception风格的多分支CNN以及DenseNet风格的CNN。
1) **浅层CNN**
浅层卷积神经网络(Shallow CNN)是一种具有很少层的架构——2个卷积层后跟有池化层和一个全连接分类层。浅层CNN的特点是深度低、结构简单,能够捕捉基本模式,并且不太容易过拟合。该模型用于学习I/Q样本中存在的特定于设备的模式,如频率偏移的变化、I/Q不平衡、功率放大器(PA)非线性和相位噪声。局部失真被浅层CNN捕获并转换为判别特征。
2) **深层CNN**
深层CNN采用多个堆叠的卷积-池化层,从输入数据中学习复杂和抽象的特征。在我们的工作中,深层CNN通过多个卷积-池化层处理每个2*1024的I/Q样本,能够检测到细微的特定于设备的损伤,如详细的PA非线性、复杂的相位噪声特征和深度幅度相位关系。
3) **ResNet**
残差网络(ResNet)是一种深度学习架构,它使用跳跃连接(直接绕过一个或多个层)来防止梯度消失。在我们的工作中,ResNet有助于从I/Q样本中捕获更丰富和更复杂的特定于设备的模式,并允许在不丢失任何重要信号特征的情况下进行更深层次的特征提取。跳跃连接确保了简单特征和深层特征都被保留,使网络能够区分硬件差异很小的设备。
4) **InceptionNet**
InceptionNet是一种CNN架构,它可以通过多个卷积分支处理相同的输入,但使用不同的核大小,然后最终连接它们的输出。该模型可以通过同时捕捉细粒度细节和更广泛的模式来学习不同时间尺度上的特征。在我们的工作中,该模型有助于从输入中提取多样的射频(RF)特征。小核能够检测到短期失真,如抖动和小相位偏差;大核则能够捕获较慢的变化,如SCO和PA非线性。因此,该模型通过结合不同时间分辨率的多尺度特征,提高了识别精度。
5) **DenseNet**
DenseNet是一种CNN变体,其中每一层都直接连接到前一层,因此早期层的特征图被重用并传递下去。这有助于模型学习更丰富的表示,改善梯度流动,减少冗余,并使其更具参数效率。在我们的工作中,该模型保留了早期的RF特征,如基本的幅度和相位变化,并将它们与由设备特定失真产生的更深层次的特征结合起来,提高了判别能力。
**第三部分:实验与结果**
**A. 实验设置**
实验结果来自提出的RFF框架,该框架结合了模拟的设备级信号生成和先进的DL分类。使用20种设备对损伤特性进行了建模。然后,随机生成的比特流被映射到BPSK或QPSK星座图上。选择200,000个符号的数量,以确保所有设备的信号样本在统计上丰富多样。表7显示了用于建模端到端RFF系统的仿真参数。表8提供了用于分析的浅层和深层CNN的逐层架构,表9分别提供了迁移学习模型ResNet、InceptionNet和DenseNet的逐层架构。实现端到端RFF(包括合成数据生成和设备分类流程)的伪代码在算法1中提供。
**表3:浅层和深层CNN模型的调整后的超参数**
**表4:ResNet的调整后的超参数**
**表5:InceptionNet的调整后的超参数**
**表6:DenseNet的调整后的超参数**
**表7:用于建模RFF系统的仿真参数**
**表8:浅层和深层CNN的逐层架构**
**表9:ResNet、InceptionNet和DenseNet的逐层架构**
**算法1:端到端RFF – 合成数据生成和设备分类流程**
**B. 使用BPSK获得的结果**
图2和图3展示了两个使用BPSK的发射机分别由于其独特的硬件损伤而表现出的不同RF特征。同相和正交信号显示了幅度变化和包络形状,反映了I/Q不平衡、相位噪声以及信号生成过程中应用的频率偏移的差异。两种设备在存在损伤的情况下都显示出清晰的圆形I/Q轨迹,并且与BPSK调制一致。圆周周围的微妙失真和点密度的变化表明了设备特有的缺陷。组合的I/Q信号图进一步强调了设备之间的差异。设备6显示出更平滑、更对称的振荡行为,而设备14显示出明显改变的轨迹,具有更宽的幅度摆动和非均匀的过渡。
**表10:使用BPSK的各种DL模型的RFF性能比较**
可以看出,深层CNN在5次折叠中的平均准确率最高,达到94.32%,表明其强大的学习详细RFF特征的能力;浅层CNN通过学习多尺度模式和特征重用也表现良好,准确率为90.72%;ResNet模型的平均准确率最低,为84.12%。
**图4:使用BPSK训练的RFF的微/宏观平均ROC**
图4显示了在浅层CNN、深层CNN、ResNet、InceptionNet和DenseNet中使用BPSK训练的RFF的微/宏观平均ROC(接收者操作特征曲线)。
**表11:使用BPSK的RFF的各种DL模型的混淆矩阵**
图5显示了使用BPSK训练的最佳性能模型(深层CNN)的混淆矩阵。混淆矩阵表明大多数预测集中在对角线上,表明分类正确。某些类别出现了一些非对角线条目,表明与相邻类别之间存在轻微混淆。矩阵的整体结构表明深层CNN模型能够捕捉到独特的设备特征。
**C. 使用QPSK获得的结果**
图6和图7展示了两个使用QPSK的发射机分别由于其独特的硬件损伤而表现出的不同RF特征。顶部的两个图显示了时域中的同相和正交信号及其幅度和振荡模式的变化。圆形的I/Q轨迹而非理想的QPSK点证实了设备损伤的存在。频域响应显示在幅度谱中,这是由于相位噪声和其他非线性引起的。I/Q轨迹图随时间叠加了I和Q,突出了它们的联合时间演变。
**表12:使用QPSK的各种DL模型的RFF性能比较**
在这里,深层CNN模型也实现了最高的平均准确率91.11%,表明其强大的学习设备特定RF损伤的能力;浅层CNN模型的平均准确率为73.04%,InceptionNet和DenseNet模型的平均准确率分别为70.38%和62.05%;表现最弱的模型是ResNet-CNN,准确率为61.79%。
**图8:使用QPSK训练的RFF的微/宏观平均ROC**
图8显示了在浅层CNN、深层CNN、ResNet、InceptionNet和DenseNet中使用QPSK训练的RFF的微/宏观平均ROC。
**图9:使用QPSK的RFF的最佳性能模型(深层CNN)的混淆矩阵**
图9显示了使用QPSK训练的最佳性能模型(深层CNN)的混淆矩阵。混淆矩阵表明大多数预测集中在对角线上,表明分类正确。矩阵的整体结构表明深层CNN模型能够捕捉到独特的设备特征。深度CNN的卓越性能归因于其能够逐步学习混合RFF特征——包括时间和频谱特征——并且这种学习的深度适合处理I/Q信号的复杂性。与ResNet和DenseNet不同,后者的跳跃连接和密集连接是为非常深的图像分类应用优化的,而这些CNN变体引入的架构开销并不适合中等深度的射频信号学习。此外,InceptionNet的多尺度并行卷积与基带信号的一维时间结构不匹配,而深度CNN的顺序卷积架构在不导致过参数化的情况下提供了适当的表示能力。虽然浅层CNN在计算上高效,但其深度不足以捕捉区分具有相似硬件配置的设备所需的中间级特征组合。
为了将我们的基于深度学习的模型与基准模型进行比较,我们在文献中研究的最常用的机器学习模型SVM上评估了RFF特征。当使用BPSK时,该模型的平均设备识别准确率为86.11 ± 0.06%;而当使用QPSK时,准确率略微下降到68.74 ± 1.78%。这表明所选特征对于RFF具有很强的区分能力,即使在机器学习模型中也能保持一致的性能。同时,在比较基带调制方案时,BPSK的识别准确率高于QPSK。这可能是因为BPSK的决策边界比QPSK更简单。通过结合BPSK和深度CNN获得了最高的识别准确率,我们进行了消融研究来评估在移除每种损伤情况下系统的性能。表14中的消融研究旨在确定哪种损伤对RFF中的设备区分性贡献最大。
表14 消融研究
表格显示,PA非线性是对RFF最具区分性的损伤。移除这种损伤后,平均识别准确率最低,仅为82.58%,从而降低了设备区分性。第二种显著的损伤是I/Q不平衡,而CFO、SPR和SPN等损伤在识别设备特征方面的贡献很小。这可能是因为PA非线性指示了与设备特定的非线性特征,这对设备识别贡献更大。
进一步,我们研究了不同信道模型(AWGN和Raleigh衰落信道)中噪声的影响,信噪比(SNR)范围从0到30 dB。图10显示了AWGN和Raleigh信道下平均准确率随SNR的变化情况。多径成分的存在会导致接收信号发生显著变化,从而影响设备特定的特性,从而降低准确率[19]。在我们的工作中,我们旨在以受控方式再现设备依赖的RFF损伤的统计变化,即使在设备属于同一品牌或型号的情况下,这种变化也可以在实时场景中再现。
图10. AWGN和Raleigh信道的SNR与准确率关系图。
第四节 结论
本研究提出了一个端到端的RFF框架,集成了考虑损伤的设备级信号合成、混合时频特征提取和基于深度学习的分类。在包含20个设备的合成数据集上,使用五种CNN变体进行的跨架构评估显示,深度CNN在BPSK基带方案下的准确率最高,达到了94.32%。总体而言,研究证实卷积特征提取器非常适合RFF,因为它们能够学习非线性失真和设备特定的频谱变化。
未来的工作将重点使用实时数据探索RFF,采用结合模拟和真实射频捕获的混合数据集,以进一步验证其在多种信道条件和硬件变化下的泛化能力。此外,我们计划探索使用基于TinyML的分类器进行设备上的轻量级和边缘部署认证。该流程还可以扩展到零样本学习,即在没有任何先验训练样本的情况下检测未知设备。结合对比学习和自我监督学习方法以提高特征区分性也是另一个未来的研究方向。
伦理声明
基于深度学习的RFF在安全物理层设备认证中的实现和部署必须遵守现有的法律和伦理准则。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号