com
Abstrak—Kemajuan dalam teknologi radio yang ditentukan perangkat sidik jari perangkat menangani dua skenario ini dengan mempelajari
lunak (SDR) memungkinkan kontrol yang belum pernah terjadi sebelumnya fitur karakteristik pemancar dalam fase pelatihan pra-penerapan, yang
pada seluruh rantai pemrosesan, memungkinkan modifikasi setiap blok
kemudian dieksploitasi selama operasi jaringan yang sebenarnya. Kami
fungsional serta pengambilan sampel perubahan dalam bentuk gelombang
menyadari bahwa SDR hadir dalam beragam faktor bentuk dengan
input. Makalah ini menjelaskan metode untuk mengidentifikasi radio
tertentu secara unik di antara perangkat yang mirip secara nominal beragam sumber daya komputasi on-board. Jadi, untuk penggunaan
menggunakan kombinasi kemampuan penginderaan SDR dan teknik tujuan umum, pendekatan sidik jari perangkat apa pun harus
pembelajaran mesin (ML). Manfaat utama dari pendekatan ini adalah bahwa sederhana secara komputasi setelah diterapkan di lapangan. Untuk
ML beroperasi pada sampel I/Q mentah dan membedakan perangkat yang
alasan ini, kami mengusulkan teknik pembelajaran mesin (ML),
hanya menggunakan modifikasi sinyal yang diinduksi oleh perangkat keras
khususnya, Deep Convolutional Neural Networks (CNN), dan secara
pemancar yang berfungsi sebagai tanda unik untuk perangkat tertentu.
Tidak diperlukan decoding tingkat yang lebih tinggi, rekayasa fitur, atau eksperimental mendemonstrasikan kinerja identifikasi radio yang
pengetahuan protokol, yang selanjutnya mengurangi tantangan spoofing ID hampir sempurna dalam banyak skenario praktis.
dan koeksistensi beberapa protokol dalam spektrum bersama. Kontribusi • Ikhtisar pendekatan kami:Teknik ML telah sangat berhasil dalam
makalah adalah sebagai berikut: (i) Blok operasional dalam rantai
pengenalan gambar dan ucapan, namun kegunaannya untuk sidik jari
pemrosesan komunikasi nirkabel tipikal dimodifikasi dalam studi simulasi
tingkat perangkat dengan pembelajaran fitur belum ditunjukkan secara
untuk menunjukkan gangguan RF, yang kami manfaatkan. (ii) Menggunakan
dataset over-the-air yang dikompilasi dari testbed eksperimental SDR, meyakinkan. Perilaku otonom SDR yang sebenarnya, tidak hanya dalam
arsitektur deep convolutional neural network (CNN) yang dioptimalkan hal mendeteksi penggunaan spektrum, tetapi juga dalam hal menyetel
diusulkan, dan hasilnya dibandingkan secara kuantitatif dengan teknik sendiri banyak parameter dan bereaksi terhadap stimulus lingkungan
alternatif seperti mesin vektor dukungan dan regresi logistik. (iii) Tantangan
sekarang merupakan kemungkinan yang berbeda. Kami
penelitian untuk meningkatkan ketangguhan pendekatan, serta kebutuhan
mengumpulkan lebih20·106Sampel RF I/Q melalui beberapa putaran
pemrosesan paralel untuk pelatihan yang efisien, dijelaskan. Pekerjaan kami
menunjukkan akurasi eksperimental hingga 90-99% pada jarak pemancar- transmisi untuk setiap pasangan penerima pemancar yang terdiri dari
penerima yang bervariasi antara 2-50 kaki melalui saluran nirkabel multi- USRP SDR siap pakai. SDR mengirimkan bentuk gelombang lapisan fisik
jalur yang berisik. 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
AKUPENDAHULUAN juga tunduk pada perubahan yang diperkenalkan oleh saluran nirkabel.
Aplikasi yang muncul dalam konteks kota pintar, kendaraan Pendekatan penyediaan sinyal radio deret waktu mentah dengan
otonom, Internet of Things, dan misi militer yang kompleks, antara memperlakukan data kompleks sebagai dimensi dari 2 input I/Q
lain, memerlukan konfigurasi ulang baik pada sistem maupun bernilai nyata ke CNN, dimotivasi dari klasifikasi modulasi [1]. Telah
tingkat protokol dalam arsitektur komunikasinya. Kemajuan ini ditemukan teknik yang menjanjikan untuk pembelajaran fitur pada
bergantung pada komponen penting yang memungkinkan, yaitu, data deret waktu besar. Kami mengembangkan arsitektur CNN yang
radio yang ditentukan perangkat lunak (SDR): ini memungkinkan terdiri dari beberapa lapisan convolutional dan max-pooling yang
programabilitas lintas-lapisan dari perangkat keras transceiver dioptimalkan untuk tugas sidik jari radio. Kami mempartisi sampel yang
menggunakan arahan tingkat tinggi. Janji cerdas atau biasa dikumpulkan ke dalam instans terpisah dan melakukan pelatihan
disebut kognitifradio dibangun berdasarkan konsep SDR, dimana offline di cluster cloud komputasional, menetapkan bobot ke koneksi
radio mampu mengumpulkan informasi kontekstual dan interneuron. Kumpulan data ketidakhadiran yang terdiri dari sampel
mengadaptasi operasinya sendiri dengan mengubah setting pada yang sama sekali tidak terlihat digunakan untuk estimasi akurasi
SDR berdasarkan apa yang dirasakan di sekitarnya. deteksi.
Dalam banyak skenario kritis misi, masalah dalam • Kontribusi dan struktur makalah:Pekerjaan kami membuat kontribusi
mengautentikasi perangkat, spoofing ID, dan transmisi tidak sah kunci berikut. Kami mensurvei dan mengklasifikasikan pendekatan yang ada
menjadi perhatian utama. Selain itu, aplikasi bandwidth tinggi di Sec. II. Kami merancang model simulasi dari rantai pemrosesan
menyebabkan krisis spektrum, memimpin penyedia jaringan untuk komunikasi nirkabel tipikal di MATLAB, dan kemudian memodifikasi blok
mengeksplorasi rezim berbagi spektrum inovatif di ruang kosong operasional yang ideal untuk menunjukkan gangguan RF yang ingin kami
TV dan pita sub-6GHz. Dalam semua hal di atas, mengidentifikasi (i) pelajari di Sec. AKU AKU AKU. Kami menjelaskan proses pengumpulan data
jenis protokol yang digunakan, dan (ii) pemancar radio tertentu (di untuk melatih classifier di Sec. IV. Kami merancang dan secara
antara banyak radio lain yang serupa secara nominal) menjadi eksperimental memvalidasi jaringan saraf konvolusional dalam (CNN) yang
penting. Pekerjaan kami pada SDR-enabled dioptimalkan untuk
2
Sidik Jari RF 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
Diawasi Tidak diawasi analisis wavelet. Namun teknik ini bergantung pada pengetahuan
(Pelabelan apriori (Pengelompokan waktu nyata
sebelumnya tentang fitur khusus vendor.
sampel) sampel)
2) Berbasis klasifikasi:Ada beberapa studi tentang pembelajaran terawasi
[9] iHMRF
yang mengeksploitasi fitur RF seperti ketidakseimbangan I/Q,
Berbasis kesamaan Klasifikasi [10] Bayesian nonparametrik ketidakseimbangan fase, kesalahan frekuensi, dan kekuatan sinyal yang
(Sesuai dengan (Kelas unik diterima, untuk beberapa nama.•Konvensional:Bentuk klasifikasi ini
entri basis data) identifikasi)
memeriksa kecocokan dengan fitur yang dipilih sebelumnya menggunakan
pengetahuan domain dari sistem, yaitu fitur dominan harus diketahui secara
[3] FP driver nirkabel 802.11
[4] FP AP nirkabel pasif apriori. [5] mengusulkan klasifikasi dengan mengekstraksi pembukaan yang
Konvensional Pembelajaran Mendalam
diketahui dalam sebuah paket dan menghitung komponen spektral.
(Buatan tangan (Multi-lapisan Serangkaian fitur log-spektral-energi diberikan sebagai input ke k-nearest
Ekstraktor fitur) jaringan syaraf)
neighbor (k-NN) classifier diskriminatif. PARADIS [6] sidik jari perangkat
802.11 berdasarkan kesalahan spesifik modulasi dalam bingkai
[5] Pendekatan domain frekuensi
[1] Pengenalan Modulasi - CNN
menggunakan algoritma SVM dan k-NN dengan akurasi 99%. Dalam [7],
[6] PARADIS
[7] GTID
[8] Pembelajaran mendalam - lapisan fisik sebuah teknik untuk perangkat fisik dan klasifikasi tipe perangkat yang
disebut GTID menggunakan jaringan syaraf tiruan diusulkan. Metode ini
Gambar 1: Klasifikasi Sidik Jari RF mengeksploitasi variasi kemiringan jam serta komposisi perangkat keras
perangkat. Secara umum, karena beberapa fitur berbeda digunakan,
sidik jari radio di Sec. V, dan secara kuantitatif membandingkan memilih rangkaian fitur yang tepat merupakan tantangan besar. Ini juga
pendekatan ini dengan mesin vektor pendukung dan regresi menyebabkan masalah skalabilitas ketika sejumlah besar perangkat hadir, yang
logistik di Sec. VI. Terakhir, tantangan penelitian untuk menyebabkan peningkatan kompleksitas komputasi dalam pelatihan.•
meningkatkan ketangguhan pendekatan kami tercantum di Sec. Pembelajaran Mendalam:Pembelajaran mendalam menawarkan kerangka kerja
VII dan kesimpulan ditarik dalam Sec. VIII. Singkatnya, desain CNN yang kuat untuk pendekatan pembelajaran yang diawasi. Itu dapat mempelajari
kami menunjukkan akurasi eksperimental hingga 90-99% pada fungsi-fungsi untuk meningkatkan kompleksitas, memanfaatkan kumpulan data
jarak pemancar-penerima yang bervariasi antara 2-50 kaki melalui besar, dan sangat meningkatkan jumlah lapisan, selain neuron di dalam lapisan.
saluran nirkabel multi-jalur yang berisik. [1] dan [8] menerapkan pembelajaran mendalam pada lapisan fisik, khususnya
berfokus pada pengenalan modulasi
II. RPEKERJAAN TERLAMBAT menggunakan jaringan saraf konvolusional. Mereka mengklasifikasikan 11 berbeda
skema modulasi. Namun, pendekatan ini tidak mengidentifikasi perangkat,
Gagasan utama di balik sidik jari radio adalah mengekstraksi
seperti yang kita lakukan di sini, tetapi hanya tipe modulasi yang digunakan
pola (atau fitur) unik dan menggunakannya sebagai tanda tangan
oleh pemancar.
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 B. Pembelajaran tanpa pengawasan
sederhana seperti alamat IP, alamat MAC, nomor identitas Pembelajaran tanpa pengawasan efektif bila tidak ada informasi label
peralatan stasiun bergerak internasional (IMEI) dapat dengan sebelumnya tentang perangkat. Dalam [9], algoritma klasifikasi online
mudah dipalsukan. Fitur berbasis lokasi seperti kekuatan sinyal berbasis Hidden Markov Random field (iHMRF) tak terbatas diusulkan untuk
radio (RSS) dan informasi status saluran (CSI) rentan terhadap sidik jari nirkabel menggunakan teknik pengelompokan tanpa pengawasan
mobilitas dan perubahan lingkungan. Kami tertarik dan pembaruan batch. Mengirimkan-
dalam mempelajari fitur-fitur yang melekat pada perangkat karakteristik ter digunakan di [10] di mana pendekatan Bayesian non-
perangkat keras, yang juga tidak berubah dan tidak mudah direplikasi oleh agen parametrik (yaitu, Model Campuran Gaussian tak terbatas)
jahat. Kami mengklasifikasikan pendekatan yang ada pada Gambar. 1. mengklasifikasikan banyak perangkat dengan cara pasif tanpa
pengawasan.
A. Pembelajaran yang diawasi Identifikasi pemancar menggunakan arsitektur deep learning masih
dalam tahap awal. Pekerjaan kami berfokus pada pembuatan dan
Jenis pembelajaran ini memerlukan banyak koleksi sampel
pemrosesan sejumlah besar sampel RF I/Q untuk melatih
berlabel sebelum penerapan jaringan untuk melatih algoritme
pengklasifikasi dan akhirnya mengidentifikasi perangkat secara unik.
ML.
1) Berbasis kesamaan:Pengukuran kesamaan melibatkan
membandingkan tanda tangan yang diamati dari perangkat yang AKU AKU AKU. CPENGGUNAAN GANGGUAN PERANGKAT KERAS
diberikan dengan referensi yang ada dalam database master. Dalam Menggunakan Toolbox Sistem Komunikasi MATLAB, kami
[3], teknik sidik jari pasif diusulkan untuk mengidentifikasi nirkabel mensimulasikan rantai pemrosesan komunikasi nirkabel yang khas
driver perangkat yang berjalan pada node yang sesuai dengan IEEE 802.11 dengan (lihat Gambar 2, dengan pergeseran dalam sampel I/Q bernilai kompleks yang diterima),
mengumpulkan jejak frame permintaan probe dari perangkat. Pendekatan Bayesian dan kemudian memodifikasi blok operasional yang ideal untuk memperkenalkan
yang diawasi digunakan untuk menganalisis yang dikumpulkan 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
Quadrature Amplitudo
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
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
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
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
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
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
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
6
GPU Tesla K40m. Kami mengevaluasi kinerja pengklasifikasi CNN proses windowing. Namun, mengidentifikasi panjang optimal adalah tujuan
kami menggunakan teknik Validasi Silang 5 kali lipat. Kami penelitian kritis dan harus bergantung pada waktu koherensi saluran.
menggunakan kelas StratifiedKFold dari pustaka pembelajaran Arsitektur CNN yang bervariasi dapat menyebabkan hasil yang sangat
mesin scikit-learn Python untuk membagi dataset pelatihan berbeda. Menemukan arsitektur optimal yang meningkatkan klasifikasi
menjadi 5 lipatan. Set pelatihan kami terdiri dari≈720Kcontoh perangkat adalah masalah penelitian terbuka. Tantangan terkait adalah
pelatihan dan≈80K contoh untuk validasi. Kami menggunakan mendapatkan keseimbangan yang tepat antara waktu pelatihan dan akurasi
yang lain200Kcontoh untuk menguji kinerja model terlatih kami. klasifikasi. Meningkatkan kedalaman CNN melebihi satu titik mungkin tidak
Dengan demikian, kami dapat memperoleh estimasi yang kurang membantu klasifikasi; sebenarnya ada risiko overfitting set pelatihan, seperti
bias dari kinerja model kami. Butuh≈43minuntuk melatih model yang kami temukan di beberapa eksperimen awal kami. Pekerjaan kami
kita. Evaluasi kinerja pada dataset tahan200Kcontoh mengambil berfokus pada pelatihan model dengan data eksperimen aktual sementara
saja ≈3min. Performa keluaran pengklasifikasi diukur sejumlah besar karya sebelumnya berupaya memecahkan masalah serupa
menggunakan metrik seperti akurasi dan Area Under the Curve menggunakan data sintetik. Tidak ada kumpulan data standar untuk
(AUC), yang terakhir dievaluasi pada kurva Receiver Operating membandingkan kinerja pengklasifikasi kami, dan merilis semua kumpulan
Characteristic (ROC) yang terdiri dari laju positif sejati pada sumbu data dalam format yang diterima secara luas sangat penting untuk replikasi
Y dan laju positif palsu pada sumbu X . percobaan yang benar. Akhirnya, sebagai tujuan masa depan, tujuan kami
1) CNN vs. algoritma konvensional:Kami pertama-tama mengukur adalah untuk memvalidasi kinerja classifier kami untuk mengidentifikasi
kinerja dataset kami menggunakan SVM dan regresi logistik untuk perangkat dalam jumlah besar pada jarak 100-200 kaki. Hal ini mungkin juga
klasifikasi perangkat yang mirip secara nominal. Kami mengekstrak mengharuskan kami melakukan perubahan besar dalam arsitektur dan
beberapa fitur seperti nilai amplitudo, fase, dan FFT dari sampel I/Q menemukan parameter optimal baru.
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,
VIII. CKESIMPULAN
ukuran akurasi dengan SVM dan algoritma regresi logistik untuk 2
perangkat adalah≈55%dan semakin menurun seiring bertambahnya Kami mengusulkan pendekatan sidik jari radio
jumlah perangkat. Penurunan kinerja dapat dilihat dengan jelas pada berdasarkan arsitektur CNN pembelajaran mendalam
Gambar 6a. Kami kemudian melatih pengklasifikasi CNN kami untuk melatih menggunakan contoh urutan I/Q. Desain
menggunakan data mentah untuk mengklasifikasikan kumpulan kami memungkinkan fitur pembelajaran tertanam dalam
perangkat yang sama. Dengan jaringan CNN kami yang dalam, kami transformasi sinyal pemancar nirkabel, dan
dapat mencapai akurasi98%untuk lima perangkat, bukan kurang dari≈ mengidentifikasi perangkat tertentu. Selain itu, kami telah
33%untuk SVM pembelajaran dangkal dan algoritma regresi logistik. menunjukkan bahwa pendekatan identifikasi perangkat
2) Dampak jarak pada sidik jari radio:Kami menjalankan kami dengan CNN mengungguli teknik ML alternatif seperti
percobaan untuk mengumpulkan data pada jarak berkisar SVM, regresi logistik untuk identifikasi lima perangkat yang
antara 2-50 ft lebih langkah dari 4 ft, untuk mengevaluasi mirip secara nominal. Akhirnya, kami secara eksperimental
dampak dari jarak (dan efek multipath mungkin karena memvalidasi kinerja desain kami pada kumpulan data yang
refleksi) pada akurasi klasifikasi. Gambar 6b menunjukkan dikumpulkan dalam rentang jarak, 2 kaki hingga 50 kaki.
ukuran akurasi untuk klasifikasi 4 perangkat menggunakan Kami mengamati bahwa akurasi deteksi menurun seiring
CNN. Ini mencapai akurasi klasifikasi lebih besar dari95% bertambahnya jarak antara pemancar dan penerima dan
hingga jarak 34 kaki. Selain itu, SNR yang diamati dan SNR bagaimana sumber daya komputasi seperti Keras berjalan
analitik (dihitung menggunakan model jalur ruang bebas) dengan dukungan GPU mempercepat waktu pelatihan.
ditampilkan dalam plot yang sama untuk menjelaskan
pengaruh SNR yang diterima pada akurasi klasifikasi. Terbukti AUCAPAN TERIMA KASIH
bahwa klasifikasi tersebut kuat terhadap fluktuasi SNR yang
terjadi akibat path loss dan multipath fading hingga jarak 34ft. Pekerjaan ini didukung oleh DARPA di bawah hibah
3) Karakteristik Pengoperasian Receiver untuk sidik jari radio:Kami Penghargaan Fakultas Muda N66001-17-1-4042. Kami berterima
memperoleh tingkat positif palsu dan tingkat positif sejati untuk kasih kepada Dr. Tom Rondeau, manajer program di DARPA, atas
mengukur AUC. Gambar 6c menunjukkan kurva ROC untuk empat komentar dan sarannya yang mendalam yang secara signifikan
perangkat WiFi serupa. Kita dapat melihat bahwa model CNN bekerja meningkatkan kualitas pekerjaan.
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, RREFERENSI
dan 0,994. Ini menunjukkan CNN adalah model yang efektif untuk sidik
[1] T. O'Shea, J. Corgan, dan T. Charles Clancy, “Jaringan pengenalan
jari radio. Selain itu, melatih jaringan CNN kami melalui kumpulan data
modulasi radio konvolusional,” 02 2016.
besar dengan Keras membutuhkan waktu yang jauh lebih singkat [2] T. Xu, R. Zheng, W. Saad, dan Z. Han, “Sidik jari perangkat dalam
dibandingkan dengan algoritme lain yang disebutkan di atas. 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.
VII. RPENELITIANCTANTANGAN Sicker, “Sidik jari driver perangkat nirkabel lapis data link 802.11,”
Kami sekarang membahas tantangan yang terkait dengan dalamProsiding Konferensi ke-15 tentang Simposium Keamanan
USENIX - Volume 15, ser. USENIX-SS'06. Berkeley, CA, AS: Asosiasi
penerapan CNN untuk sidik jari radio. Dalam percobaan kami, kami USENIX, 2006. [Online]. Tersedia: http://dl.acm.org/citation.cfm?
menetapkan panjang partisi sebagai 128 melalui persegi panjang 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