Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Jaringan Syaraf Konvolusional Pembelajaran Mendalam
untuk Identifikasi Radio
Shamnaz Riyaz, Kunal Sankhe, Stratis Ioannidis, dan Kaushik Chowdhury Departemen Teknik
Listrik dan Komputer, Universitas Northeastern, Boston, MA, USA Email:
mohammedriyaz.s@husky.neu.edu , sankhe.ku@husky.neu.edu , ioannidis@ ece.neu.edu , krc@ece.neu.edu
Abstrak—Kemajuan dalam teknologi radio yang ditentukan perangkat
lunak (SDR) memungkinkan kontrol yang belum pernah terjadi sebelumnya
pada seluruh rantai pemrosesan, memungkinkan modifikasi setiap blok
fungsional serta pengambilan sampel perubahan dalam bentuk gelombang
input. Makalah ini menjelaskan metode untuk mengidentifikasi radio
tertentu secara unik di antara perangkat yang mirip secara nominal
menggunakan kombinasi kemampuan penginderaan SDR dan teknik
pembelajaran mesin (ML). Manfaat utama dari pendekatan ini adalah bahwa
ML beroperasi pada sampel I/Q mentah dan membedakan perangkat yang
hanya menggunakan modifikasi sinyal yang diinduksi oleh perangkat keras
pemancar yang berfungsi sebagai tanda unik untuk perangkat tertentu.
Tidak diperlukan decoding tingkat yang lebih tinggi, rekayasa fitur, atau
pengetahuan protokol, yang selanjutnya mengurangi tantangan spoofing ID
dan koeksistensi beberapa protokol dalam spektrum bersama. Kontribusi
makalah adalah sebagai berikut: (i) Blok operasional dalam rantai
pemrosesan komunikasi nirkabel tipikal dimodifikasi dalam studi simulasi
untuk menunjukkan gangguan RF, yang kami manfaatkan. (ii) Menggunakan
dataset over-the-air yang dikompilasi dari testbed eksperimental SDR,
arsitektur deep convolutional neural network (CNN) yang dioptimalkan
diusulkan, dan hasilnya dibandingkan secara kuantitatif dengan teknik
alternatif seperti mesin vektor dukungan dan regresi logistik. (iii) Tantangan
penelitian untuk meningkatkan ketangguhan pendekatan, serta kebutuhan
pemrosesan paralel untuk pelatihan yang efisien, dijelaskan. Pekerjaan kami
menunjukkan akurasi eksperimental hingga 90-99% pada jarak pemancar-
penerima yang bervariasi antara 2-50 kaki melalui saluran nirkabel multi-
jalur yang berisik.
AKUPENDAHULUAN
Aplikasi yang muncul dalam konteks kota pintar, kendaraan
otonom, Internet of Things, dan misi militer yang kompleks, antara
lain, memerlukan konfigurasi ulang baik pada sistem maupun
tingkat protokol dalam arsitektur komunikasinya. Kemajuan ini
bergantung pada komponen penting yang memungkinkan, yaitu,
radio yang ditentukan perangkat lunak (SDR): ini memungkinkan
programabilitas lintas-lapisan dari perangkat keras transceiver
menggunakan arahan tingkat tinggi. Janji cerdas atau biasa
disebut kognitifradio dibangun berdasarkan konsep SDR, dimana
radio mampu mengumpulkan informasi kontekstual dan
mengadaptasi operasinya sendiri dengan mengubah setting pada
SDR berdasarkan apa yang dirasakan di sekitarnya.
Dalam banyak skenario kritis misi, masalah dalam
mengautentikasi perangkat, spoofing ID, dan transmisi tidak sah
menjadi perhatian utama. Selain itu, aplikasi bandwidth tinggi
menyebabkan krisis spektrum, memimpin penyedia jaringan untuk
mengeksplorasi rezim berbagi spektrum inovatif di ruang kosong
TV dan pita sub-6GHz. Dalam semua hal di atas, mengidentifikasi (i)
jenis protokol yang digunakan, dan (ii) pemancar radio tertentu (di
antara banyak radio lain yang serupa secara nominal) menjadi
penting. Pekerjaan kami pada SDR-enabled
sidik jari perangkat menangani dua skenario ini dengan mempelajari
fitur karakteristik pemancar dalam fase pelatihan pra-penerapan, yang
kemudian dieksploitasi selama operasi jaringan yang sebenarnya. Kami
menyadari bahwa SDR hadir dalam beragam faktor bentuk dengan
beragam sumber daya komputasi on-board. Jadi, untuk penggunaan
tujuan umum, pendekatan sidik jari perangkat apa pun harus
sederhana secara komputasi setelah diterapkan di lapangan. Untuk
alasan ini, kami mengusulkan teknik pembelajaran mesin (ML),
khususnya, Deep Convolutional Neural Networks (CNN), dan secara
eksperimental mendemonstrasikan kinerja identifikasi radio yang
hampir sempurna dalam banyak skenario praktis.
• Ikhtisar pendekatan kami:Teknik ML telah sangat berhasil dalam
pengenalan gambar dan ucapan, namun kegunaannya untuk sidik jari
tingkat perangkat dengan pembelajaran fitur belum ditunjukkan secara
meyakinkan. Perilaku otonom SDR yang sebenarnya, tidak hanya dalam
hal mendeteksi penggunaan spektrum, tetapi juga dalam hal menyetel
sendiri banyak parameter dan bereaksi terhadap stimulus lingkungan
sekarang merupakan kemungkinan yang berbeda. Kami
mengumpulkan lebih20·106Sampel RF I/Q melalui beberapa putaran
transmisi untuk setiap pasangan penerima pemancar yang terdiri dari
USRP SDR siap pakai. SDR mengirimkan bentuk gelombang lapisan fisik
IEEE 802.11ac yang memenuhi standar, untuk membuat database
sinyal yang diterima. Sampel I/Q ini membawa karakteristik tanda
tangan tersemat dari berbagai perangkat keras pemancar aktif, tetapi
juga tunduk pada perubahan yang diperkenalkan oleh saluran nirkabel.
Pendekatan penyediaan sinyal radio deret waktu mentah dengan
memperlakukan data kompleks sebagai dimensi dari 2 input I/Q
bernilai nyata ke CNN, dimotivasi dari klasifikasi modulasi [1]. Telah
ditemukan teknik yang menjanjikan untuk pembelajaran fitur pada
data deret waktu besar. Kami mengembangkan arsitektur CNN yang
terdiri dari beberapa lapisan convolutional dan max-pooling yang
dioptimalkan untuk tugas sidik jari radio. Kami mempartisi sampel yang
dikumpulkan ke dalam instans terpisah dan melakukan pelatihan
offline di cluster cloud komputasional, menetapkan bobot ke koneksi
interneuron. Kumpulan data ketidakhadiran yang terdiri dari sampel
yang sama sekali tidak terlihat digunakan untuk estimasi akurasi
deteksi.
• Kontribusi dan struktur makalah:Pekerjaan kami membuat kontribusi
kunci berikut. Kami mensurvei dan mengklasifikasikan pendekatan yang ada
di Sec. II. Kami merancang model simulasi dari rantai pemrosesan
komunikasi nirkabel tipikal di MATLAB, dan kemudian memodifikasi blok
operasional yang ideal untuk menunjukkan gangguan RF yang ingin kami
pelajari di Sec. AKU AKU AKU. Kami menjelaskan proses pengumpulan data
untuk melatih classifier di Sec. IV. Kami merancang dan secara
eksperimental memvalidasi jaringan saraf konvolusional dalam (CNN) yang
dioptimalkan untuk

Sidik Jari RF
Diawasi
(Pelabelan apriori (Pengelompokan waktu nyata
sampel)
[9] iHMRF
Berbasis kesamaan Klasifikasi [10] Bayesian nonparametrik
(Sesuai dengan (Kelas unik
entri basis data) identifikasi)
[3] FP driver nirkabel 802.11
[4] FP AP nirkabel pasif
Konvensional Pembelajaran Mendalam
(Buatan tangan (Multi-lapisan
Ekstraktor fitur) jaringan syaraf)
[5] Pendekatan domain frekuensi
[1] Pengenalan Modulasi - CNN
[6] PARADIS
[7] GTID
[8] Pembelajaran mendalam - lapisan fisik
Gambar 1: Klasifikasi Sidik Jari RF
sidik jari radio di Sec. V, dan secara kuantitatif membandingkan
pendekatan ini dengan mesin vektor pendukung dan regresi
logistik di Sec. VI. Terakhir, tantangan penelitian untuk
meningkatkan ketangguhan pendekatan kami tercantum di Sec.
VII dan kesimpulan ditarik dalam Sec. VIII. Singkatnya, desain CNN
kami menunjukkan akurasi eksperimental hingga 90-99% pada
jarak pemancar-penerima yang bervariasi antara 2-50 kaki melalui
saluran nirkabel multi-jalur yang berisik.
II. RPEKERJAAN TERLAMBAT
Gagasan utama di balik sidik jari radio adalah mengekstraksi
pola (atau fitur) unik dan menggunakannya sebagai tanda tangan
untuk mengidentifikasi perangkat. Berbagai fitur pada lapisan fisik
(PHY), lapisan kontrol akses menengah (MAC), dan lapisan atas
telah dimanfaatkan untuk sidik jari radio [2]. Pengidentifikasi unik
sederhana seperti alamat IP, alamat MAC, nomor identitas
peralatan stasiun bergerak internasional (IMEI) dapat dengan
mudah dipalsukan. Fitur berbasis lokasi seperti kekuatan sinyal
radio (RSS) dan informasi status saluran (CSI) rentan terhadap
mobilitas dan perubahan lingkungan. Kami tertarik
dalam mempelajari fitur-fitur yang melekat pada perangkat
perangkat keras, yang juga tidak berubah dan tidak mudah direplikasi oleh agen
jahat. Kami mengklasifikasikan pendekatan yang ada pada Gambar. 1.
A. Pembelajaran yang diawasi
Jenis pembelajaran ini memerlukan banyak koleksi sampel
berlabel sebelum penerapan jaringan untuk melatih algoritme
ML.
1) Berbasis kesamaan:Pengukuran kesamaan melibatkan
membandingkan tanda tangan yang diamati dari perangkat yang
diberikan dengan referensi yang ada dalam database master. Dalam
[3], teknik sidik jari pasif diusulkan untuk mengidentifikasi nirkabel
driver perangkat yang berjalan pada node yang sesuai dengan IEEE 802.11 dengan
mengumpulkan jejak frame permintaan probe dari perangkat. Pendekatan Bayesian
yang diawasi digunakan untuk menganalisis yang dikumpulkan
2
melacak dan menghasilkan sidik jari driver perangkat. [4] menjelaskan
teknik berbasis blackbox pasif, yang menggunakan waktu antar-kedatangan
paket TCP atau UDP untuk menentukan jenis titik akses menggunakan
Tidak diawasi analisis wavelet. Namun teknik ini bergantung pada pengetahuan
sebelumnya tentang fitur khusus vendor.
sampel)
2) Berbasis klasifikasi:Ada beberapa studi tentang pembelajaran terawasi
yang mengeksploitasi fitur RF seperti ketidakseimbangan I/Q,
ketidakseimbangan fase, kesalahan frekuensi, dan kekuatan sinyal yang
diterima, untuk beberapa nama.•Konvensional:Bentuk klasifikasi ini
memeriksa kecocokan dengan fitur yang dipilih sebelumnya menggunakan
pengetahuan domain dari sistem, yaitu fitur dominan harus diketahui secara
apriori. [5] mengusulkan klasifikasi dengan mengekstraksi pembukaan yang
diketahui dalam sebuah paket dan menghitung komponen spektral.
Serangkaian fitur log-spektral-energi diberikan sebagai input ke k-nearest
neighbor (k-NN) classifier diskriminatif. PARADIS [6] sidik jari perangkat
802.11 berdasarkan kesalahan spesifik modulasi dalam bingkai
menggunakan algoritma SVM dan k-NN dengan akurasi 99%. Dalam [7],
sebuah teknik untuk perangkat fisik dan klasifikasi tipe perangkat yang
disebut GTID menggunakan jaringan syaraf tiruan diusulkan. Metode ini
mengeksploitasi variasi kemiringan jam serta komposisi perangkat keras
perangkat. Secara umum, karena beberapa fitur berbeda digunakan,
memilih rangkaian fitur yang tepat merupakan tantangan besar. Ini juga
menyebabkan masalah skalabilitas ketika sejumlah besar perangkat hadir, yang
menyebabkan peningkatan kompleksitas komputasi dalam pelatihan.•
Pembelajaran Mendalam:Pembelajaran mendalam menawarkan kerangka kerja
yang kuat untuk pendekatan pembelajaran yang diawasi. Itu dapat mempelajari
fungsi-fungsi untuk meningkatkan kompleksitas, memanfaatkan kumpulan data
besar, dan sangat meningkatkan jumlah lapisan, selain neuron di dalam lapisan.
[1] dan [8] menerapkan pembelajaran mendalam pada lapisan fisik, khususnya
berfokus pada pengenalan modulasi
menggunakan jaringan saraf konvolusional. Mereka mengklasifikasikan 11 berbeda
skema modulasi. Namun, pendekatan ini tidak mengidentifikasi perangkat,
seperti yang kita lakukan di sini, tetapi hanya tipe modulasi yang digunakan
oleh pemancar.
B. Pembelajaran tanpa pengawasan
Pembelajaran tanpa pengawasan efektif bila tidak ada informasi label
sebelumnya tentang perangkat. Dalam [9], algoritma klasifikasi online
berbasis Hidden Markov Random field (iHMRF) tak terbatas diusulkan untuk
sidik jari nirkabel menggunakan teknik pengelompokan tanpa pengawasan
dan pembaruan batch. Mengirimkan-
karakteristik ter digunakan di [10] di mana pendekatan Bayesian non-
parametrik (yaitu, Model Campuran Gaussian tak terbatas)
mengklasifikasikan banyak perangkat dengan cara pasif tanpa
pengawasan.
Identifikasi pemancar menggunakan arsitektur deep learning masih
dalam tahap awal. Pekerjaan kami berfokus pada pembuatan dan
pemrosesan sejumlah besar sampel RF I/Q untuk melatih
pengklasifikasi dan akhirnya mengidentifikasi perangkat secara unik.
AKU AKU AKU. CPENGGUNAAN GANGGUAN PERANGKAT KERAS
Menggunakan Toolbox Sistem Komunikasi MATLAB, kami
mensimulasikan rantai pemrosesan komunikasi nirkabel yang khas
(lihat Gambar 2, dengan pergeseran dalam sampel I/Q bernilai kompleks yang diterima),
dan kemudian memodifikasi blok operasional yang ideal untuk memperkenalkan
gangguan RF, biasanya terlihat pada perangkat keras yang sebenarnya
 3

Simbol masukan
Poin referensi
1

Quadrature Amplitudo
0,5

- 0,5

Ketidakseimbangan I/Q -1

-1 - 0,5 0 0,5 1
DAC Amplitudo dalam fase

Fase LO Gambar 3 : Data Ckoleksi kamu

menyanyikan SDR
Digital
Harmonik
Pita dasar Kebisingan
Distorsi PA
(DSP)
Filter Anti-aliasing
π/2 konverter analog. H armoni C distorsi N adalah measu merah di ter MS
dari total harmonik penjarahan , yang rasio dari jumlah dari
DAC Distorsi Nonlinier
di kekuatan semua rmonik komponen ts ke Pbunga t He
Simbol masukan Simbol masukan ha frekuensi dasar cy dari th e sinyal. T Hadalah distorsi pada biasa ly
Poin referensi Poin referensi
1 1 dinyatakan dalam eit dia pe persen o Rdalam dB rela tive ke pantat Al
komponen t
Quadrature Amplitudo

Quadrature Amplitudo

0,5 0,5 dia memberi isyarat.

0 0
• Penguat daya fier d istorti Hai ns:Kekuatan r memperkuat r (PA) no N-
linearitas terutama ap pir w ayam a Mplifier adalah dioperasikan di dalam

- 0,5 - 0,5
dia
s wilayah non-linier, yaitu, dekat dengan daya keluaran
-1 -1 wmaksimumnya, di sini terjadi kompresi yang signifikan dari sinyal
Dkeluaran. Distorsi PA umumnya dimodelkan menggunakan AM/
-1 - 0,5 0 0,5 1 -1 - 0,5 0 0,5 1
Amplitudo dalam fase Amplitudo dalam fase (AAM mplitudo ke amplitudo) dan AM/PM (amplitudo ke fase)
kurva. AM/AM menyebabkan distorsi amplitudo sedangkan
Gambar 2: Rantai transceiver tipikal dengan berbagai sumber dari RF AM/PM pengantar duces pha dia bergeser. Ketidaklinieran penguat
gangguan. adalah mod eled u nyanyikan Kubi c Parameter Tangen Polinomial dan

metode s usin g Ketiga-atau Hiperbolik dari titik potong input (IIP3)

implementasi tions. Ini memungkinkan kita untuk secara individual udy I/Q eter. II P3 dinyatakan dalam (dBm) mewakili skalar yang menentukan
ketidakseimbangan, kebisingan fase st , frekuensi pembawa dan fase mengimbangi, dan
ketiga orde d r mencegat .
nonlinier y power amplifier, harmonic dan power amplifier
distorsi.
IV. DATA C PENGUMPULAN UNTUKDEEPLPENGHASILAN
• I/Q imba tombak:Pencampur quadrature yang mengubah aseband
ke RF dan b sebaliknya sering terganggu oleh gain an fase d A. Penyiapan eksperimental untuk Trace D koleksi ata
ketidakcocokan antara bagian paralel dari R h tanda Rantai F
Kami mempelajari kinerja dif algoritma pembelajaran yang berbeda,
dalam fase (I) dan kuadratur (Q). semua jalan.
Saya
berurusan kecerdasan
termasuk linear support vector machine (SVM), regresi logistik,
Penguatan analog tidak pernah sama untuk setiap jalur sinyal dan
dan CNN, menggunakan sampel I/Q yang dikumpulkan dari
perbedaan antara amplitudo mereka menyebabkan amplitudo e
◦ , yang H pengaturan eksperimental SDR USRP, ditunjukkan pada Gambar. 3.
imba tombak. SAYA
dan tambahan N, dela ysSaya
tidak pernah tepat90
Untuk tujuan data di Rpenerima en D, kita gunakan tetap
itu fase e ketidakseimbanganCe.
mengumpulkan

USRP B210. Fo r tr Anmitter w ffesewa de ay

penyebab
es dari
• Phas No ise : The kamu P-menipu syairion Haifa Baseband St.ignal Hai
saya menggunakan 5 di

keluarga yang sama , yaitu U SRP B21 0.

ca rrier fr persamaan FCadalah perf Hai dihubungi di transm itter b y
mixing the baseband sinyal wi Th mobil sinyal lebih tinggi . Sebaliknya D
dari g energi Nga murni nada di fr efrekuensiF C, yaitu,eJ2 πfCT, th e
B. Protokol dari Operasikan Sayapada
gen dinilai untuk Ne adalah aktu llyeJ2πfCT + φ(T), apa ulangφ(T)SayaS A rando M
fasee kebisingan . Ph Adia berisik Saya
memperkenalkan sebuah rotasi Nal jitte R. Kami mengirimkan d ifferen T fisik bingkai lapisan didefinisikan oleh

Fasae kebisingan adalah ekspres ed dalam satuan dari dBc/H z, yang r ehadiah S IEEE 802.11ac H mengirimkan ter SDR. fra ini Mitu adalah pada masing-masing

itu kebisingan p Hai

berhubungan Sayave ke operator co masuk A1H z dihasilkan menggunakan MATL ABWLA N Sistem dan kotak peralatan,

pita lebar c e tertarik pada tertentu Hai ffset dari pembawa R. Khas Al standar komp liant. T He data fr Agen mes dinilai adalah acak
nilai e dari pha Se le kebisingan e berderinge [− 100, -48 ] dBc/H z, karena kami bermaksud untuk tran Smit any d aliran ata S. Ini
kecepatanadalah di th Protokol
dengan frekuensi N cy mengimbangi dalam pelarian Ge [20,20 0]Hz. bingkai kemudian streaming d ke s ememilih SD R untuk lebih - udara
• Carrier F frekuensi dan Pha Se offset: T dia tampil Mace o F transmisi nirkabel ssion. T dia menerima ng SDR s Amples itu pendapatan-
tal oscil digunakan lator D untuk gen memakan Carier fre Quency i S sinyal di1 dari2.92M S/ sampel Ntingkat g di pusat fr efrekuensi
menangis

spekified w Saya T h sebuah acc kamura cy di Pseni peR Mtriliun (hal PM). Th e .45GHz untuk r WiFi . Kol ecom.cted kompleks I/Q Scukup
rence i n mengirimkan ter dan r emobil penerima
perbedaan encies i S dipartisi i ke sub Surutan. Untuk kami Xperimenta saya belajar,
frekuensi lebih tinggi

merujuk merah ke Apembawa f frekuensi Hai ffset. kami menetapkanubsequ panjang ence h dari 128, tambahan detail
• Harmonik distorsi NS:Har monik di sebuah transmisi tanda ed Al s tetap yang d menulis D di Detik. V-A2. HAI ay erall, kami mengumpulkan

disebabkan oleh nonlinier di sisi pemancar digital-to- sekitar20juta sampel untuk masing-masing lima SDR.
 4

secara sederhanafifilter) yang melakukan operasi konvolusi atas data

ReLU
input. Pengoperasian filter konvolusi ditunjukkan dengan contoh pada
Softmax
Gambar. 4b untuk pemahaman intuitif. Filter ukuran 2×2berbelit-belit
Memasukkan dengan input data ukuran4×4dengan menggeser melintasi dimensinya
Konv+ Konv+ Keluaran
(2x128) Maks
ReLU ReLU Maks ⋮ ⋮ lapisan untuk menghasilkan dua dimensipeta fitur. Amelangkahadalah interval
(4)
saya/Q
Kolam
(50x1x3) (50x2x3) Kolam
sampel
geser filter dan menentukan dimensi peta fitur. Contoh kami
Lapisan konvolusi 1 Lapisan konvolusi 2 menunjukkan langkah1untuk menghasilkan peta fitur dimensi3×3.
(4)
Setiap lapisan konvolusi terdiri dari satu set filter tersebut, yang pada
1 1 0 1 (A)
-1 2 -1 (256)
0 3 2 3 10 gilirannya beroperasi secara independen untuk menghasilkan satu set
0 3 1 Lapisan yang terhubung sepenuhnya

1 1 1 2 1 -1
2 2 0 peta fitur dua dimensi. Arsitektur CNN kami terdiri dari lapisan
3 2 1 2 Kernel/Filter konvolusi diikuti dengan langkah aktivasi yang melakukan yang telah
Peta Fitur
Memasukan data
(B) ditentukan sebelumnya
(1,2,1,3) = 3
y = maks (0, ) transformasi non-linier pada setiap elemen peta fitur.
1 2 5 6 Max Pool dengan filter
Ada m ABeberapa fungsi aktivasi yang mungkin, seperti sigmoid
1 3 4 3 2x2 dan langkah 2 36 dan tanh; Kami menggunakan Rectified Linear Unit (ReLU), karena CNN lebih cepat
2 4 1 0 42
dengan ReLU t Rdibandingkan dengan alternatif. Seperti yang ditunjukkan di
3 3 2 2
(C) (D) Gambar 4c, ReL ASoutputmaks(X,0)untuk sebuah masukanX, ganti semua
nilai negatif kamu
es di peta fitur dengan nol.
Araure 4: Arsitektur CNN
Konv Hai
lapisan solusi umumnya diikuti oleh pooling ctionality
C. Penyimpanan an d Proses essing lapisan. Itu menyenangkan adalah untuk (a) memperkenalkan pergeseran invarian (lihat

Contoh sf adalah kami menganalisis offline melalui (i) konfigurasi juga Sek. V- A 3), serta (b) mengurangi dimensi
tions dengan tip ical co kerja prosesor Core-i7, penyimpanan 8GB dan yang diperbaiki peta fitur dari lapisan konvolusi sebelumnya, ng
RAM, dan fla bajingan 512GB serta (ii) North- sambil tetap informasi yang paling penting. Kami memilih er
Disk timur terlalu cluster yang memiliki 16 compute node dengan a penyatuan la ydengan filter ukuran2×2dan melangkah2,yang

NVIDIA Tesla K40 m GPU masing-masing. Node-node ini memiliki downsample S dipetakan oleh fitur2sepanjang kedua dimensi.
Di antara perbedaan Roperasi filter ent (seperti rata-rata, jumlah), maks
masing-masing core, 48 node logis masing-masing GPU memiliki
dan pada e puting core.2880 CUDA comode memiliki konfigurasi RAM pengumpulan memberi S kinerja yang lebih baik. Seperti yang ditunjukkan pada Gambar.
Setiap n dan dual server 128GByte 50 CPU @ prosesor 2,00 GHz. Ini z
penggabungan si 4d, maks e2×2dengan langkah2memilih wilayah erlapping

GPU Intel E5 26 aktif adalah backplane TCP/IP 10Gb/s. di non-o ayelemen maksimum (ditampilkan dengan warna berbeda).
Jadi, itu redu ces dimensi peta fitur, yang
V . CNNBA S EDRADI HAIFINGE R CETAK G pada gilirannya mengurangi jumlah parameter dan perhitungan dalam
jaringan.
Sukses dari CN Nada di visi Hai n dan sp eech dom ains moti-
Output dari kolam kedua lapisan disediakan ed sebagai inp ut
menilai investasi kami stigasi C NN untuk jari radio erprinting.
ke conn edikte atau Drasa berbaring eh
dalam menggunakan
sepenuhnya co lapisan terhubung. Sebuah fu lly
Yang diusulkan metode terdiri Hai f dua st Ages, yaitu pelatihan
berada padaraditiona l Multi Layer Pe rceptron (MLP), dimana th e
panggung dan an identik sta
Ge. Di th e mantan, CNN
neuro Npunya koneksi penuh t o semua tindakan Saya
jalan vasi eps di th e
melatih kita mentah SAYA sampel Q emengumpulkan dari
saraf n etworks. SAYA ts primer y
masing-masing SDR
sebelumnya lapisan kami, mirip dengan reguler
pemancar ke multi-kl Akelas ss fikation pr masalah. Di dalam
tujuan Se adalah untuk melakukan kelas sifikasi tugas di lev tinggi el
memecahkan a

identifikasi rusa jantan e, I mentah Q sampel edari tidak dikenal

fitur eekstrak ted dari prec eding co Nputaran lapisan. Pada
pemancar a trai Ned neur Asaya jaringan k dan
lapisan keluaran, asoftmaxaktif asi fu Nksi adalah e
diumpankan kembali ke
digunakan. Th
pemancar adalah D berbasis o N mengamati D nilai di hasil
mengidentifikasi
classifer dengan fungsi aktivasi softmax memberikan probabilitas
lapisan. Di dalam bagian, we pertama d gambarkan th dan CNN a arsitektur
(misalnya [0.9,0.09,0.01]untuk tiga label kelas).
dan kemudian menyajikan prapemrosesan data masukan yang diperlukan
Selanjutnya, kami membahas pemilihan hyperparameter CNN untuk
untuk meningkatkan kinerja.
mengoptimalkan kinerja, diikuti dengan preprocessing input data yang
diperlukan untuk pengoperasian CNN yang tepat dan terakhir properti
A. Arsitektur CNN shiftinvariance dari classifier kami.
Arsitektur CNN kami sebagian terinspirasi oleh AlexNet [11], yang 1) Pemilihan Model:Kita mulai dengan arsitektur dasar yang
menunjukkan performa luar biasa dalam pengenalan gambar. Seperti terdiri dari dua lapisan konvolusi dan dua lapisan padat, kemudian
yang ditunjukkan pada Gambar. 4a, jaringan kami memiliki empat progresifhanya memvariasikan hyperparameter ke anal yze
lapisan, yang terdiri dari dua lapisan konvolusional dan dua lapisan efeknya pada perbentuk . Pertama parameter er adalah n jumlah
yang terhubung penuh atau padat. Input ke CNN adalah rangkaian filter di con putaran lapisan. We amati d bahwa nomor
berjendela dari sampel IQ mentah dengan panjang 128. Setiap nilai filter dalam sebuah deringe dari (30 − 256)P rovide re secara wajar

kompleks direpresentasikan sebagai nilai real dua dimensi, yang melakukan serupa ace. Ho baiklah, ya Nce n jumlah komputer

menghasilkan dimensi data input kami bertambah menjadi2×128.Ini tasi meningkat s dengan a N meningkat e dalam Njumlah o f filter,
kemudian diumpankan ke lapisan konvolusi pertama. kami mengatur rs di bo Th konvol uti berbaring ers untuk b alancing
Lapisan konvolusi adalah blok bangunan inti dari CNN, yang 50 filte kinerjac e dan co mputatio Nal biaya. Demikian pula, kami mengatur
tujuan utamanya adalah mengekstraksi fitur dari data masukan. 1×3Dan2× 3sebagai th e filter si ze di d detik
pertama sebuah

Ini terdiri dari satu set filter spasial (juga disebutkernel, atau lilitan berbaring eh respek Csecara aktif, ya sangat besar r filter s ize tidak
 5

Operasi geser
SVM Regresi logistik CNN
100
1 2 ⋯ 128 129 ⋯ ⋯ N
90
80
70

Akurasi (%)
Sampel IQ setelah meluncur
60
50
1 ⋯ 128 129 ⋯ 256 ⋯ ⋯ ⋯ M 40
30
20
10
0
2 3 4 5
Gambar 5: Sliden g prosedur Jumlah pemancar

(A)
tidak menawarkan kinerja yang signifikan perbaikan. Selanjutnya lapisan
meningkatkan jumlah konv menunjukkan larutan dari2ke4 kinerja, yang 100 50

tidak ada peningkatan dalam kelanjutan membenarkan lapisan tion. 95 45

dengan dua analisis konvolu efek dari Kami kemudian mencoba 90

40

lapisan angka dengan memvariasikannya neuron di padat pertama 85

35

30

SNR (dB)
antara64 menemukan bahwa meningkatkan ke1024.Menariknya, kami dari

Akurasi (%)
80
25
jumlah tidak meningkatkan kinerja. T di neuron di luar256tidak karena itu,
75
20
lapisan padat pertama. Setelah fi parameterkami mengatur256neuron
70
15
CNN, kami peduli parameter sebagai menyelesaikan arsitektur dan hanya Akurasi (%)
SNR yang diamati dalam dB
65 10
berikut: Kami menggunakan layer padat memilih regularisasi tingkat putus SNR analitis dalam dB

60 5
konvolusi pertama dan kedua. Selain itu, sekolah 25% setelah rs dan putus 0 2 6 10 14 18 22 26 30 34 38 42 46 50
Jarak (ft)
kami menggunakan a λ=0.0001untuk sekolah 50% pada n pertama2̀
menghindari pemasangan yang berlebihan parameter regularisasi (B)
.
2) Memproses Data:Saluran kami studi eksperimental kelas
1.0
pada perwakilan yang berbeda kerucut dari algoritme ML
menunjukkan kinerja yang signifikan sehingga peningkatan dengan
0,8
dalam CNN. Namun, untuk memastikanmemilih kinerja yang dapat
Tingkat Positif Sejati

sejumlah besar perangkat, C kami diskalakan pada arsitektur NN

0,6
harus menjadi urutan Q, yang
dimodifikasi. Selain itu, input kami I/ jejak
waktu dari sampel yang dikumpulkan mewakili s, harus sesuai
0,4
digabungkan dan ditambah di luar a dengan aliran sampel I/Q
Pengklasifikasi kami beroperasi pada mentah. pengaruh sampel I/Q SDR #1 (luas = 0,96402) SDR
0,2
#2 (luas = 0,93601)
panjang tetap seq. Secara umum, diberikan dari urutan panjangL, kita bisa
SDR #3 (luas = 1,00000) SDR
se buatN=L/`selanjutnya atau aliran input. panjang f`dengan mempartisi #4 (luas = 0,99461)
0,0
Kami dengan demikian menciptakanL −`urutan dengan menggeser urutan
0,0 0,2 0,4 0,6 0,8 1.0
jendela panjang`atas sampel I/Q. Klasifikasi yang lebih besar (atau aliran) ers di Tingkat Positif Palsu

pelatihan menghasilkan lebih banyak titik atas urutan kecil s, yang pada
(C)
data pelatihan gilirannya menghasilkan rendah
varians tetapi berpotensi bia tinggi s dalam hasil klasifikasi. Gambar 6: a) Perbandingan akurasi SVM, logistik
C sebaliknya, barisan besar m Ay mengarah ke tinggivarian h Dan regresi dan CNN untuk2−5perangkat menggunakan 5-fold cross-
lHai
w B 128 sebagai urutan eNpanjang ce. Dari nirkabel
saya sebagai. Kami mengatur
validasi b) Plot akurasi diperoleh dengan menggunakan CNN untuk
ComMunifikasi v titik pandang, itu Channel tetap invarian di e, 4perangkat pada jarak yang berbeda antara pemancar dan
SM eh durasi waktu. Dia NCkemampuan untuk beroperasi
semua
penerima c) kurva ROC untuk 4 perangkat di bawah klasifikasi CNN
SM eh selanjutnya ces diukir o kamu
semua T sampel yang diterima sesuai pesanan
atau 15-posisi urutan I/Q. Berat yang berbelit-belit s di setiap lapisan
Amemungkinkan kita untuk memperkirakan w kompleks koefisien S mewakili
mendeteksi sinyal dalam posisi sewenang-wenang dalam urutan, dan
saluran tanpa henti. Jadi kami melatih Hai
pengklasifikasi Anda atas input
lapisan max-pool meneruskan keberadaan sinyal ke lapisan yang lebih
urutan Q dengan memperlakukan setiap Rbagian nyata dan imajiner dari a
SAYA/
tinggi di mana pun itu terjadi. Untuk meningkatkan properti shift-
sample sebagai dua input, memimpin t Hai vektor pelatihan dari2× `
invariance classifier kami selama pelatihan, kami melatihnya di atas
sample untuk urutan panjang H .̀
jendela geser panjang`seperti yang ditunjukkan pada Gambar. 5,
3) Pergeseran Invarian:Lain karakteristik yang menonjol dari
daripada jendela yang dipartisi: ini semakin membiaskan yang terlatih
Hai
pengklasifikasi CNN Anda keduanya dengan Rberharap untuk tujuan akhir kami
pengklasifikasi ke konfigurasi shift-invarian.
Saya
Dentifyi transmisi ng devic e, tapi a Begitu juga dalam hal fitur
extractio n, adalahshift invari ace. Di dalam SHort, a nts deskripsikan e
akan malam d masuk

Saksi III dapat terjadi pada sewenang-wenang poSi tion dalam memberi N V SAYA
. RESUL T S AN D PERFORMANC eePENILAIAN
saya/Q

Seurutan. Sebuah classifier harus mampu d etdll khusus perangkat Kami menerapkan Hai kamu C pelatihan NN dan d classifier di Keras

akupasanganterlepasapakah itu terjadi pada misalnya, 1-st berjalan di atas TensorFlow pada NVIDIA Cuda diaktifkan

GPU Tesla K40m. Kami mengevaluasi kinerja pengklasifikasi CNN
kami menggunakan teknik Validasi Silang 5 kali lipat. Kami
menggunakan kelas StratifiedKFold dari pustaka pembelajaran
mesin scikit-learn Python untuk membagi dataset pelatihan
menjadi 5 lipatan. Set pelatihan kami terdiri dari≈720Kcontoh
pelatihan dan≈80K contoh untuk validasi. Kami menggunakan
yang lain200Kcontoh untuk menguji kinerja model terlatih kami.
Dengan demikian, kami dapat memperoleh estimasi yang kurang
bias dari kinerja model kami. Butuh≈43minuntuk melatih model
kita. Evaluasi kinerja pada dataset tahan200Kcontoh mengambil
saja ≈3min. Performa keluaran pengklasifikasi diukur
menggunakan metrik seperti akurasi dan Area Under the Curve
(AUC), yang terakhir dievaluasi pada kurva Receiver Operating
Characteristic (ROC) yang terdiri dari laju positif sejati pada sumbu
Y dan laju positif palsu pada sumbu X .
1) CNN vs. algoritma konvensional:Kami pertama-tama mengukur
kinerja dataset kami menggunakan SVM dan regresi logistik untuk
klasifikasi perangkat yang mirip secara nominal. Kami mengekstrak
beberapa fitur seperti nilai amplitudo, fase, dan FFT dari sampel I/Q
mentah dan membuat serangkaian fitur yang kaya untuk melatih
pengklasifikasi. Kami memperoleh akurasi klasifikasi untuk identifikasi
antara 2, 3, 4 dan 5 perangkat. Seperti yang terlihat pada Gambar. 6a,
ukuran akurasi dengan SVM dan algoritma regresi logistik untuk 2
perangkat adalah≈55%dan semakin menurun seiring bertambahnya
jumlah perangkat. Penurunan kinerja dapat dilihat dengan jelas pada
Gambar 6a. Kami kemudian melatih pengklasifikasi CNN kami
menggunakan data mentah untuk mengklasifikasikan kumpulan
perangkat yang sama. Dengan jaringan CNN kami yang dalam, kami
dapat mencapai akurasi98%untuk lima perangkat, bukan kurang dari≈
33%untuk SVM pembelajaran dangkal dan algoritma regresi logistik.
2) Dampak jarak pada sidik jari radio:Kami menjalankan
percobaan untuk mengumpulkan data pada jarak berkisar
antara 2-50 ft lebih langkah dari 4 ft, untuk mengevaluasi
dampak dari jarak (dan efek multipath mungkin karena
refleksi) pada akurasi klasifikasi. Gambar 6b menunjukkan
ukuran akurasi untuk klasifikasi 4 perangkat menggunakan
CNN. Ini mencapai akurasi klasifikasi lebih besar dari95%
hingga jarak 34 kaki. Selain itu, SNR yang diamati dan SNR
analitik (dihitung menggunakan model jalur ruang bebas)
ditampilkan dalam plot yang sama untuk menjelaskan
pengaruh SNR yang diterima pada akurasi klasifikasi. Terbukti
bahwa klasifikasi tersebut kuat terhadap fluktuasi SNR yang
terjadi akibat path loss dan multipath fading hingga jarak 34ft.
3) Karakteristik Pengoperasian Receiver untuk sidik jari radio:Kami
memperoleh tingkat positif palsu dan tingkat positif sejati untuk
mengukur AUC. Gambar 6c menunjukkan kurva ROC untuk empat
perangkat WiFi serupa. Kita dapat melihat bahwa model CNN bekerja
dengan sangat baik, karena AUC berkisar antara 0,93 dan 1. AUC yang
dicapai untuk setiap perangkat masing-masing adalah 0,964, 0,936, 1,
dan 0,994. Ini menunjukkan CNN adalah model yang efektif untuk sidik
jari radio. Selain itu, melatih jaringan CNN kami melalui kumpulan data
besar dengan Keras membutuhkan waktu yang jauh lebih singkat
dibandingkan dengan algoritme lain yang disebutkan di atas.
VII. RPENELITIANCTANTANGAN
Kami sekarang membahas tantangan yang terkait dengan
penerapan CNN untuk sidik jari radio. Dalam percobaan kami, kami
menetapkan panjang partisi sebagai 128 melalui persegi panjang
6
proses windowing. Namun, mengidentifikasi panjang optimal adalah tujuan
penelitian kritis dan harus bergantung pada waktu koherensi saluran.
Arsitektur CNN yang bervariasi dapat menyebabkan hasil yang sangat
berbeda. Menemukan arsitektur optimal yang meningkatkan klasifikasi
perangkat adalah masalah penelitian terbuka. Tantangan terkait adalah
mendapatkan keseimbangan yang tepat antara waktu pelatihan dan akurasi
klasifikasi. Meningkatkan kedalaman CNN melebihi satu titik mungkin tidak
membantu klasifikasi; sebenarnya ada risiko overfitting set pelatihan, seperti
yang kami temukan di beberapa eksperimen awal kami. Pekerjaan kami
berfokus pada pelatihan model dengan data eksperimen aktual sementara
sejumlah besar karya sebelumnya berupaya memecahkan masalah serupa
menggunakan data sintetik. Tidak ada kumpulan data standar untuk
membandingkan kinerja pengklasifikasi kami, dan merilis semua kumpulan
data dalam format yang diterima secara luas sangat penting untuk replikasi
percobaan yang benar. Akhirnya, sebagai tujuan masa depan, tujuan kami
adalah untuk memvalidasi kinerja classifier kami untuk mengidentifikasi
perangkat dalam jumlah besar pada jarak 100-200 kaki. Hal ini mungkin juga
mengharuskan kami melakukan perubahan besar dalam arsitektur dan
menemukan parameter optimal baru.
VIII. CKESIMPULAN
Kami mengusulkan pendekatan sidik jari radio
berdasarkan arsitektur CNN pembelajaran mendalam
untuk melatih menggunakan contoh urutan I/Q. Desain
kami memungkinkan fitur pembelajaran tertanam dalam
transformasi sinyal pemancar nirkabel, dan
mengidentifikasi perangkat tertentu. Selain itu, kami telah
menunjukkan bahwa pendekatan identifikasi perangkat
kami dengan CNN mengungguli teknik ML alternatif seperti
SVM, regresi logistik untuk identifikasi lima perangkat yang
mirip secara nominal. Akhirnya, kami secara eksperimental
memvalidasi kinerja desain kami pada kumpulan data yang
dikumpulkan dalam rentang jarak, 2 kaki hingga 50 kaki.
Kami mengamati bahwa akurasi deteksi menurun seiring
bertambahnya jarak antara pemancar dan penerima dan
bagaimana sumber daya komputasi seperti Keras berjalan
dengan dukungan GPU mempercepat waktu pelatihan.
AUCAPAN TERIMA KASIH
Pekerjaan ini didukung oleh DARPA di bawah hibah
Penghargaan Fakultas Muda N66001-17-1-4042. Kami berterima
kasih kepada Dr. Tom Rondeau, manajer program di DARPA, atas
komentar dan sarannya yang mendalam yang secara signifikan
meningkatkan kualitas pekerjaan.
RREFERENSI
[1] T. O'Shea, J. Corgan, dan T. Charles Clancy, “Jaringan pengenalan
modulasi radio konvolusional,” 02 2016.
[2] T. Xu, R. Zheng, W. Saad, dan Z. Han, “Sidik jari perangkat dalam
jaringan nirkabel: Tantangan dan peluang,”Tutorial Survei Komunikasi
IEEE, vol. 18, tidak. 1, hlm. 94–104, Kuartal pertama 2016.
[3] J. Franklin, D. McCoy, P. Tabriz, V. Neagoe, J. Van Randwyk, dan D.
Sicker, “Sidik jari driver perangkat nirkabel lapis data link 802.11,”
dalamProsiding Konferensi ke-15 tentang Simposium Keamanan
USENIX - Volume 15, ser. USENIX-SS'06. Berkeley, CA, AS: Asosiasi
USENIX, 2006. [Online]. Tersedia: http://dl.acm.org/citation.cfm?
id=1267336.1267348
 7

[4] K. Gao, C. Corbett, dan R. Beyah, “Pendekatan pasif untuk sidik jari perangkat
nirkabel,” dalamKonferensi Internasional IEEE/IFIP 2010 tentang Jaringan
Sistem yang Dapat Diandalkan (DSN), Juni 2010, hlm. 383–392.
[5] IO Kennedy, P. Scanlon, FJ Mullany, MM Buddhikot, KE Nolan, dan TW
Rondeau, “Sidik jari pemancar radio: Pendekatan domain frekuensi
keadaan tetap,” dalamKonferensi Teknologi Kendaraan ke-68 IEEE
2008, September 2008, hlm. 1–5.
[6] V. Brik, S. Banerjee, M. Gruteser, dan S. Oh, “Identifikasi perangkat
nirkabel dengan tanda tangan radiometrik,” dalamProsiding
Konferensi Internasional ACM ke-14 tentang Komputasi dan Jaringan
Seluler, ser. MobilCom '08. New York, NY, AS: ACM, 2008, hlm. 116–127.
[On line]. Tersedia: http://doi.acm.org/10.1145/1409944.1409959
[7] SV Radhakrishnan, AS Uluagac, dan R. Beyah, “Gtid: Teknik untuk sidik jari
perangkat fisik dan tipe perangkat,”Transaksi IEEE pada Komputasi yang
Dapat Diandalkan dan Aman, vol. 12, tidak. 5, hlm. 519–532, September
2015.
[8] TJ O'Shea dan J. Hoydis, “Pengantar sistem komunikasi
pembelajaran mesin,”Kor, vol. abs/1702.00832, 2017. [Online].
Tersedia: http://arxiv.org/abs/1702.00832
[9] F. Chen, Q. Yan, C. Shahriar, C. Lu, W. Lou, dan TC Clancy, “Pada sidik jari
perangkat nirkabel pasif menggunakan bidang acak markov tersembunyi
tak terbatas,”diajukan untuk publikasi.
[10] NT Nguyen, G. Zheng, Z. Han, dan R. Zheng, “Sidik jari perangkat untuk
meningkatkan keamanan nirkabel menggunakan metode bayesian
nonparametrik,” dalam Prosiding 2011 IEEE INFOCOM, April 2011, hlm. 1404–1412.
[11] A. Krizhevsky, I. Sutskever, dan GE Hinton, "Klasifikasi Imagenet
dengan jaringan saraf konvolusional yang dalam," di Prosiding
Konferensi Internasional ke-25 tentang Sistem Pemrosesan
Informasi Neural - Volume 1, ser. NIPS'12. AS: Curran Associates
Inc., 2012, hlm. 1097–1105. [On line]. Tersedia: http://dl.acm.org/
citation.cfm?id=2999134.2999257