Towards scalable and channel-robust radio frequency fingerprint identification for LoRa

File:: Shen 等, 2022
Style:: IF 6.3 SCI Q1 CCF A 中科院工程技术2区 Author:: Guanxiong Shen; Junqing Zhang; Alan Marshall; Joseph R. Cavallaro
Year:: 2022
DOI:: 10.1109/TIFS.2022.3152404

文章基本框架

背景

deep learning-based RFFI的逻辑是，接收数据-训练模型-识别，所以是闭集的，存在两个问题：

合法设备加入和离开时需要重新训练网络？
恶意设备的特征会被网络尽量识别成最相似的合法设备

目的

引入注册阶段，用k-NN代替softmax层做识别

结论

设计了一个基于深度度量学习的RFF提取器的可扩展RFFI框架，该框架使设备无需重新训练即可加入和离开。它通过使用预先训练的RFF提取器注册新设备或删除离开设备的记录来维护RFF数据库。

核心创新点

只把神经网络当成RFF提取器，然后维护一个RFF库，进行注册识别，识别用k-NN算法。这样做的好处是不用反复训练神经网络，只要训练一个能提取RFF的网络一直用就可以
首次使用多普勒频移来模拟真实信道并评估其性能。

方案概述

构建信道无关的频谱图减轻信道效应，设计数据增强应对多径和多普勒频移的真实信道条件

技术细节

信号预处理

这里是LoRA信号。包括同步、载波频率偏移补偿和归一化。具体实现参见(Shen 等, 2021)

同步，同步定位传输起点
preamble提取，不学习整个包，有身份信息
CFO偏移，RFFI的必要步骤，会降低系统性能
归一化，归一化防止系统学习非特定于设备的接收功率。前导部分通过除以其均方根（RMS）进行归一化。

信道无关频谱图

频谱图受到无线信道的影响，可以通过划分相邻列来减轻这种影响。STFT可以被认为是将s[n]分割成n个样本的M个片段，然后对每个片段执行FFT。硬件失真对频域中传输信号的总体影响表示为F（·）。因此，STFT复矩阵S可以排列为

然后表示成

该实验中相邻信号段的时间间隔为128μs，可以假设 $H_m=H_{m-1}$ 是合理的，因为无线信道在这么短的时间内不会显著变化，所以可以用第m列除以第m+1列来消除信道的信息

$Q= [ F (X2)/ F (X1), F (X3)/ F (X2) · · · F (XM )/ F (XM−1) ] .$

数据增强

数据增强的信道效应包括多径和多普勒频移

多径由Power Delay Profile(PDP)描述，离散模型为

$P (p) = \frac{1}{τ_d} e^{−pT_s/τ_d} , p = 0, 1, · · · , p_{max}$ ,其中τd是RMS延迟扩展，pmax是最后一条路径的索引。

还考虑了多普勒频移，以前的工作假设信道在分组时间内恒定，不适用LoRa

网络

改造CNN，由九个卷积层、一个平均池化层和一个512个神经元的密集层组成，还采用了残差结构。

深度度量学习？

输入数据投影到一个空间中，相似样本彼此靠近，不同样本远离

每一步从训练集中选择由锚、阳性和阴性样本组成的三元组。具体到RFFI，锚和阳性样本是来自同一设备的数据包，阴性样本来自不同的设备。计算三重态损耗。三重态损失的目标是最小化锚点和正样本之间的欧几里德距离，同时最大化锚点和负样本之间的距离

实验

实现路径/框架

注册

k-NN分类器的训练阶段，简单记忆所有训练样本。每个合法设备需要先发100个数据包进行注册

识别

1）恶意设备检测：异常检测问题。通过基于距离的k-NN异常检测算法实现的。提取接收到的数据包的RFF，并计算到RFF数据库中其K个最近邻居的平均距离作为检测分数，其数学表达式为

$D_{avg} = \frac{1}{ K}∑=D_i$

评估指标是接收器工作特性（ROC）曲线。它揭示了在不同阈值设置下假阳性率（FPR）和真阳性率（TPR）之间的权衡。根据ROC曲线计算的曲线下面积（AUC）是另一个重要的评估指标。越接近1，检测性能越好。

2）设备分类：设备分类系统采用多数投票k-NN算法实现。首先提取接收到的数据包的RFF，并根据欧几里德距离从数据库中选择其K个最近邻。然后将此数据包分配给K个邻居中最频繁的标签。

评估指标是混淆矩阵和总体准确度，其定义为正确分类的样本除以测试样本的总数。对于流氓设备检测和设备分类，邻居数量K都设置为15。

实验组

很典型的对照实验。E1用的数据量最多，作为标准参照模型；DUT的设置还考虑了来自不同厂商的硬件。E6的设置是为什么？

测试时，DUT1-10在E1-3里都用了，所以评估提取已知设备性能。

效果图/结果

记录文章的效果图或结果, 如模型效果图、实验结果、实验数据等

源码

作者源码地址: 仓库链接
数据集名称: LoRa_RFFI_dataset
- 数据集描述: 射频信号采集自 60 个现成的商用 LoRa 设备。提供了数据包前导部分和设备标签。数据集由 19 个子数据集组成
- 作者数据集下载地址: https://github.com/gxhen/LoRa_RFFI