在“干草堆”中寻找针：多频段多设备的无线电指纹识别技术

《Computer Networks》：Finding a Needle in a (Spectrum) Haystack: Multi-Band Multi-Device Radio Fingerprinting

提出多频段多设备无线电指纹（M2RF）系统，通过深度神经网络结合自注意力机制实现动态频谱分割，可实时识别多信号共存场景下的合法设备并定位恶意干扰源，在15种设备重叠测试中达到99.56% F1-score和92.44%恶意用户检测率，误检率仅2.72%。

　　

Ildi Alla|Milin Zhang|Jonathan Ashdown|Valeria Loscri|Francesco Restuccia

法国里尔-北欧Inria

摘要

随着频谱变得越来越拥挤，快速可靠的无线设备认证变得至关重要，以避免对现有频谱使用者造成有害干扰。无线电指纹识别通过基于无线电电路中的独特硬件缺陷来区分设备，从而实现快速的波形级认证。然而，现有方法只能对特定频段中的一个信号进行指纹识别，这使得它们在频谱带中存在多个信号的现实世界场景中无法应用。本文介绍了多频段多设备无线电指纹识别（M2RF）来解决这一挑战。具体来说，我们提出了一种基于学习的分割算法，直接处理来自接收器的同相/正交（I/Q）样本，并将每个I/Q样本分配给一个特定的设备。与现有方法相比，M2RF能够同时识别和定位在频谱中发射重叠信号的多个设备，避免了处理数据的负担，使得整体方法的开销更低且速度更快。我们的方法可以推广到不同的频道和信号带宽，而无需重新训练，因此具有可扩展性。在三种不同的频谱场景下进行的实验，以及在2种传输条件下使用15个无线电发射器的情况下，证明了M2RF的有效性，F1分数达到了99.56%，恶意用户的检测率为92.44%，平均误报率（MR）仅为2.72%。数据集和代码将共享以便重现，同时还有一个演示视频（M2RF - 示范视频）。

引言

物联网（IoT）的迅速增长正在迅速使未经许可的频谱带饱和[1]。随着未经许可的频谱带变得饱和，频谱共享将成为未来几年维持IoT增长的少数选择之一[2]、[3]、[4]、[5]。关键问题是，想要与许可用户（也称为现有用户）共享频谱的IoT运营商必须联系位于云端的数据库系统，该系统根据地理坐标确定频谱是否可用[6]。这种集中式的手动方法缺乏可扩展性，也不允许进行细粒度的实时频谱管理。相反，一个可扩展且有效的解决方案是让IoT设备机会主义地发现当前在许可传输中可用的频谱子带，前提是它们不会对现有用户造成有害干扰[7]。

很容易观察到，动态频谱访问系统将创造全新的安全挑战，其中现有用户必须受到不遵守频谱规则的次级用户的保护。为了防止这些问题，必须持续监控频谱，以确保只有授权设备使用频谱。传统的无线认证系统，如Wi-Fi的WPA[8]或蜂窝网络的5G-AKA[9]，基于密码学或基于密码的认证。因此，它们主要在网络或应用层运行，无法满足频谱共享的实时要求[10]、[11]。此外，这些方法已被证明不足以抵御各种攻击，如欺骗、重放和身份冒充攻击[12]、[13]、[14]。

近年来，无线电指纹识别作为一种可行的频谱级认证方法应运而生。具体来说，无线电指纹识别利用每个无线电电路中固有的硬件缺陷[15]、[16]、[18]来形成唯一且不可伪造的“指纹”，从而认证设备[19]。通过利用这些特性，无线电指纹识别提供了一种能够抵抗MAC地址欺骗和身份克隆等攻击的安全解决方案[20]。

第2节详细讨论的现有工作存在一系列核心限制，使其无法进行实时频谱级认证。具体来说，图1显示了先前工作与我们提出的方法之间的根本区别。首先，当前方法只对给定频段中的一个信号进行分类。相反，相邻频段中通常存在多个重叠信号，使得分类问题更加复杂。其次，传统方法假设已知发射机的操作频率，并且只对该特定频段内的信号进行分类。然而，接收器可能只能部分观察到信号，例如，因为它们部分超出了操作带宽。

本文通过提出首个名为多频段多设备无线电指纹识别（M2RF）的频谱级认证系统，改变了当前的技术状态，在同一频谱带中定位和识别多个设备。图1的右侧非常直观地展示了M2RF的主要目标。所提出的方法直接处理来自无线电接收器前端的未处理同相/正交（I/Q）输入，从而消除了预处理步骤。所提出的频谱分割模型基于深度神经网络（DNN），专门设计用于处理动态信号和频道带宽，通过集成一个非局部块来捕获频率间的长距离依赖关系，并通过自注意力机制区分射频信号中的细微差异。此外，M2RF结合了一个综合损失函数，该函数整合了局部级和区域级特征，进一步增强了其学习复杂信号特征的能力，同时保持了准确性。构建了一个聚合块，通过组合重叠频段中的预测来支持宽带分类，使模型能够跨越并准确识别不同频率段的信号。

我们解决方案的独特特性在不同开放问题上非常有前景。一方面，可以实时检测来自恶意节点的入侵尝试。我们方法的另一个非常有趣的视角是能够在频谱中“定位”恶意设备的活动，为高级抗干扰解决方案提供了基础，能够高精度地针对“恶意”操作频率。从另一个角度来看，由于实时了解谁（设备）在频谱中的位置，我们的方法允许更好地管理共享资源。

新颖贡献总结

• •
  我们提出了一种名为M2RF的实时无线电指纹识别方法，可以同时识别共享频谱中存在的多个设备。M2RF包括（i）一个可扩展的数据集生成流程，能够表示现实世界的频谱条件，如重叠信号；（ii）一个针对资源受限设备优化的能效高效DNN。据我们所知，这是首个提出多设备无线电指纹识别系统的作品；
• •
  我们引入了一种新的异常检测机制，用于在频谱共享场景中检测对手和干扰。我们利用总变分（TV）分析来通过检测DNN输出中的不规则性来识别攻击。具体来说，它利用了DNN在接收到未见信号时会产生噪声和随机输出的事实。这意味着无需事先了解具体的攻击策略即可实现实时检测；
• •
  我们使用来自15个相同Wi-Fi卡的82 GB空中（OTA）数据集评估了M2RF的性能，这代表了无线电指纹识别的最坏情况，因为相同设备可能具有相似的指纹[21]。此外，我们还通过有线连接收集了数据，以确保数据不受无线频道的影响[22]。为了模拟现实世界的威胁，我们考虑了知情和不知情的对手。对于知情对手，我们从具有完整认证知识的其他相同Wi-Fi设备收集了数据。对于不知情的对手，我们从不同的Wi-Fi卡收集了数据。此外，我们还收集了其他无线技术（如BLE、LTE、Zigbee）作为干扰，以评估M2RF在拥挤的多技术环境中的性能；
• •
  我们的实验结果显示，M2RF在非重叠信号的情况下实现了94.99%的F1分数和90.54%的交并比（IoU）。在重叠信号的具有挑战性的场景中，M2RF在没有重新训练和/或微调的情况下实现了77.06%的F1分数和63.39%的IoU。此外，M2RF以92.44%的准确率检测到了对手，证明了其对知情和不知情攻击的抵抗力。当存在其他技术时，M2RF的总体准确率为81.52%。M2RF的演示视频可用（M2RF - 示范视频）。

部分摘录

背景和动机

无线电指纹识别是一种基于无线设备传输的无线电信号中固有独特特征进行认证的技术[23]。其关键思想在于每个无线电设备在其电路中都有独特的硬件缺陷，这些缺陷表现为信号传输中的微妙但可测量的差异。与传统的基于密码的方法相比，无线电指纹识别提供了更强大的认证机制，因为这些物理属性

威胁模型和系统概述

由于频谱是一种开放资源，恶意流量对合法用户构成了重大威胁。例如，对手设备可能尝试通过克隆合法用户的行为来进行认证，而在同一频道上传输信号时可能会发生无意干扰。对手和干扰都可能严重降低授权用户的服务质量。因此，有效的频谱管理要求算法不仅能够认证合法用户

M2RF框架

为了解决第2节中概述的研究问题，我们提出了M2RF，这是一个用于频谱共享的新无线电指纹识别框架。图3概述了M2RF的主要组成部分。该过程从获取I/Q数据开始，然后通过一个新颖的预处理流程来解决RQ1。这些信号随后用于训练DNN进行“语义频谱分割”，这是一种有效解决RQ2的新方法。在推理阶段，还包括自适应带宽处理和异常检测模块

实验设置

我们的数据收集设置在两种不同的场景下捕获无线电指纹——无线和有线——使用复杂的硬件以确保准确性和可靠性。如图8所示，配置包括一个多输入多输出（MIMO）系统，用于同时传输15个PCI-E无线LAN卡，所有卡在型号和版本（802.11ac/ax）上都是相同的。这种相同设备的选择创建了一个具有挑战性的测试场景，生成了高度相关的信号以严格测试

无线模式

我们从无线数据开始，比较了图4中定义的三种场景下不同输入大小（1024、2048、4096）的F1分数，以分析M2RF的性能。如图9所示，随着输入大小的增加，所有场景的F1分数显著提高。对于场景1，当输入大小为1024时，F1分数接近86.65%，而当输入大小增加到4096时，F1分数几乎完美地提高到了94.99%，表明未经重叠的训练模型

限制和讨论

在不同环境中的泛化。无线电指纹识别系统在现实世界部署中的一个关键挑战是在多样化环境中的泛化。我们的系统在受控和半受控环境中进行了测试，但现实世界的条件涉及更多的复杂性，如意外干扰和移动性。虽然模型显示了对噪声和重叠信号的抵抗力，但在城市或工业环境等动态环境中进行进一步测试是必要的

相关工作

频谱感知。早期的频谱感知研究集中在二分类上，以检测频段是否正在使用[53]、[54]。这些方法无法支持需要不同频谱访问优先级的复杂频谱策略。最近的研究提出基于无线技术和调制类型[24]和[27]联合对频谱中的多个信号进行分类。然而，[24]、[27]未能提供更细粒度的识别

结论

本文证明了在多设备、多频段环境中进行无线电指纹识别需要有效管理重叠信号、不同的带宽和固有的硬件缺陷。我们提出了一个基于U-Net的模型，用于可扩展和强大的RF信号语义分割，以应对这些挑战。我们获得了以下结果：（i）组合损失函数显著提高了性能，对于非重叠信号实现了90.54%的IoU和高达94.99%的F1分数

CRediT作者贡献声明

Ildi Alla：撰写——原始草稿、可视化、方法论、数据管理、概念化。Milin Zhang：撰写——原始草稿、可视化、方法论、概念化。Jonathan Ashdown：资源获取、资金筹集。Valeria Loscri：撰写——审阅与编辑、验证、资源管理、项目管理、资金筹集。Francesco Restuccia：撰写——审阅与编辑、验证、资源管理、项目管理、资金筹集。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。