基于深度学习的射频发射器识别研究——基于发射器伪影的探索

文章来源 微信公众号 EW Frontier

一、文章题目

基于发射器伪影的射频发射器深度学习识别（Deep Learning for Identification of RF Emitters Based on Transmitter Artifacts）

二、摘要

国际电信联盟为5G无线系统设定的关键性能指标之一是每平方公里能够支持多达一百万部物联网（IoT）设备。然而，从蜂窝网络提供商和物联网设备制造商的角度来看，由于需要最大限度地减小物联网设备的尺寸、重量和功耗（SWAP），这一目标极具挑战性。因此，为实现大规模物联网设备网络的安全运行，射频指纹识别（RFF）解决方案的研发受到了推动。射频指纹识别指的是根据发射器发出的信号及其特有的属性（如发射器硬件伪影）来识别（分类）发射器。本报告中，项目团队各成员概述了各自研发的射频指纹识别深度学习解决方案，并探讨了射频指纹识别算法的泛化能力依赖于对射频信道可变性的考量这一发现。研究结果表明，深度学习能够很好地学习射频指纹识别数据，但在未训练过的射频传播信道上泛化能力较弱。

三、引言

本项目旨在评估多种不同的深度学习架构，以满足通过射频指纹识别实现可靠物联网设备认证的需求。2019年IEEE期刊上一篇题为《基于射频指纹识别的物联网设备安全》的文章指出，加密协议的计算复杂性和可扩展性问题使得几乎所有基于加密技术的认证协议在物联网中都不切实际。此外，《Ghost-in-ZigBee：基于ZigBee的无线网络能量耗尽攻击》一文探讨了一种对抗性攻击的后果，该攻击通过诱使节点进行多余的安全相关计算来降低ZigBee设备的电池寿命，这也凸显了改进物联网设备认证方法的必要性。

美国国土安全部网络安全与基础设施安全局2019年3月发布的白皮书《物联网：对公共安全通信的影响》指出了物联网的多项预期效益，包括简化交通事故响应等。但要充分发挥这些效益，就必须解决物联网设备的可靠认证问题，而射频指纹识别在这方面具有很大潜力，美国国防高级研究计划局（DARPA）对其射频机器学习系统（RFMLS）项目的投入也证明了这一点。

本项目选用的数据集是由东北大学GENESYS实验室在2018年IEEE INFOCOM期刊上发表的《ORACLE：基于卷积神经网络的优化无线电分类》一文所发布的ORACLE射频指纹识别数据集。该数据集包含16台 Ettus 通用软件无线电（USRP）记录的802.11a（Wi-Fi）协议信号，每台无线电对应两千万个样本，原始数据以复数值形式存储，即同相（实部）和正交（虚部）数据（IQ数据），其底层调制方案为正交频分复用（OFDM）。

四、方法简介

1. 数据处理：团队以东北大学的研究为基础，将原始射频信号数据的同相和正交分量视为两个实值信道，单个训练样本为2×128的张量。部分成员采用基于内存映射的数据集加载器，确保输入模型的样本平均幅度为1，并实现了两种射频信号增强算法（添加随机复高斯噪声、移相、中心频率偏移和多径信道模型），但有成员因软件集成问题未采用该数据加载器及数据增强方案。

2. 模型架构

   • 基准模型：复刻ORACLE模型，包含两个1D卷积层（各50个滤波器，核大小为7）、三个全连接层，使用ReLU激活函数、50% dropout率和softmax分类器，含1,525,212个参数。

   • Greg Zdor的方案：基于ORACLE的CNN网络和相关研究，构建1D CNN，采用Ray Tune进行超参数调优（卷积层数量1-5、全连接层数量2-5等），还测试了不同输入序列长度（128和1280）。

   • Jordan Barker的方案：以ORACLE架构为基础，调整卷积层滤波器数量（32和64），选用核大小7，添加批归一化，使用Leaky ReLU替代ReLU，增大全连接层规模，还采用了EfficientNet-B0和ResNet-50迁移学习模型。

   • Sean McCarty的方案：基于ResNet18实现残差网络，还设计了结合残差块和长短期记忆（LSTM）的残差网络，参考了相关加密流量分类研究。

3. 训练与评估：使用PyTorch Lightning实现模型，以多分类准确率为性能评估指标，采用分类交叉熵作为损失函数，优化器选用随机梯度下降（SGD）等。

五、结论

本项目通过Ray Tune超参数调优、迁移学习以及添加LSTM等时序学习层等方式对神经网络设计进行迭代优化，所提出的模型均取得了比ORACLE基准模型更高的验证准确率，项目在这一维度上取得了成功。然而，模型在未见过的射频信道上的泛化问题仍未得到解决。若能投入更多时间，并在输入数据集加载器增强器中实现基于莱斯分布的衰落信道模型，该问题有望得到解决。

所有模型均融入了卷积层，因其能够检测局部模式和空间层次结构，且具有平移不变性，本期望这有助于模型在该分类问题上实现泛化，但仍有很大的改进空间。近期研究表明，Transformer架构可通过视觉Transformer架构适配图像分类问题并实现最先进的性能，未来的研究可探索将该架构应用于射频指纹识别任务，以改善模型在未见过的射频多径信道上的泛化能力。