天线算法:可信通信链路的射频指纹识别

2021年1月25日

与之前博客中介绍的技术相似的技术被应用于执行射频指纹识别，以帮助识别通信系统中可信和未知的发射源。

瑞克外邦人

这Microwaves&RF本文经允许转载于此。

在本博客中，我们将在a以前的博客，我们展示了如何使用由合成雷达和通信信号训练的深度学习网络来识别波形特征。我们将应用类似的技术进行射频指纹识别，以帮助识别通信系统中可信和未知的发射源。虽然我们的示例集中于无线通信应用程序，但同样的技术也可以用于多功能雷达系统，以识别可信通信链路状态。

首先来了解一下背景情况:射频发射-接收对在接收端产生一个独特的射频信号，它由信道路径和射频损伤组成。我们的深度学习网络消耗基带同相/正交样本，并将发射的无线电识别为可信源。图1显示一组发射和接收天线之间可信和未知传播路径的概念图。

首先，我们在我们的场景中使用一个无线局域网(WLAN)系统，因为我们希望使用从无线电收集的信号来验证系统，而且WLAN是无处不在的。这种类型的工作流程也可以应用于在地面和建筑物上进行远距离户外操作的无线电。

我们训练网络识别路由器模拟，这是一种对WLAN网络的攻击形式。在这种攻击中，恶意代理试图冒充合法路由器，欺骗网络用户连接到它。基于简单数字标识(如MAC地址、IP地址和SSID)的安全识别解决方案无法有效地检测此类攻击。由于这些标识符可能被欺骗，更安全的解决方案使用其他信息，如无线电链路的射频签名。

为了简化我们的讨论，我们假设如果射频损伤占主导地位，或者信道轮廓在操作期间保持不变，网络可以识别发射无线电。大多数WLAN网络都有固定的路由器，当接收器位置也固定时，路由器会创建一个静态的通道配置文件。经过训练的深度学习网络可以通过比较接收到的信号的RF指纹和MAC地址对与已知路由器的地址来识别路由器模拟者。

与前面博客中的示例一样，我们从一个工作流开始，使用合成数据来训练、验证和测试我们的系统。在本博客的第二部分中，我们将使用从一组路由器和无线电中收集的数据来重复这个工作流程。

使用合成数据的例子

我们用来自已知和未知路由器的模拟WLAN信标帧训练一个卷积神经网络(CNN)用于射频指纹。将接收信号的MAC地址和CNN检测到的RF指纹进行比较，以检测WLAN路由器模拟者。

我们模拟了一个室内空间，其中有三个已知MAC地址的可信路由器。所示图2，我们的场景包括进入观察区域的未知路由器。未知路由器被定义为“无害的”无线电。

我们通过移动Wi-Fi路由器来收集未知的路由器数据，生成许多通道配置文件(在本例中是RF指纹)。这使得网络知道任何未被标记为已知的指纹都是未知的，从而创建一个“未知”类别。其中一些是无害的尝试，一些被建模为路由器模拟器。观察者节点从这些路由器收集非高吞吐量(非ht)信标信号，并使用传统的长训练域(L-LTF)识别RF指纹。

传输的L-LTF信号对所有路由器都是相同的，因此不存在任何数据依赖。由于路由器和观察者是固定的，所以RF指纹(如图2如RF1、RF2和RF3)是多径通道概要和射频损伤的组合，不随时间变化。“未知”路由器数据是随机RF指纹的集合，与已知路由器不同。

图3(上)显示连接到路由器和移动热点的用户。观察者接收信标帧并解码MAC地址。观察节点还提取L-LTF信号，并利用该信号对信标帧源的RF指纹进行分类。

如果MAC地址和RF指纹匹配，就像路由器1、路由器2和路由器3的情况一样，观察者宣布源是一个“已知的”路由器。如果信标的MAC地址不在数据库中，RF指纹不匹配任何已知的路由器，就像在移动热点的情况下，观察者宣称源是一个“未知的”路由器。

图3(下)显示了一个路由器模拟器，它复制了一个已知路由器的MAC地址并传输信标帧。黑客可以干扰原来的路由器，迫使用户连接到邪恶的双胞胎。观察者从模拟者接收信标帧并解码MAC地址。解码后的MAC地址与已知路由器的MAC地址匹配，但射频指纹不匹配。观察者将源声明为路由器模拟器。

为了训练我们的深度学习网络，我们为每个路由器生成了5000个非ht WLAN信标帧的数据集。我们使用MAC地址作为已知路由器的标签;其余的则被标记为“未知”。我们的数据集被分成训练集(80%)、验证集(10%)和测试集(10%)。

实现802.11a/g/n/ac协议的Wi-Fi路由器使用正交频分复用(OFDM)非ht格式在5-GHz波段传输信标帧，以广播它们的存在和能力。信标帧由两个主要部分组成:前导(SYNC)和有效载荷(DATA)。导言也分为短训和长训两部分。

在这个例子中，负载包含相同的比特，除了每个无线电的MAC地址。CNN使用序言中的L-LTF部分作为训练单元。重复使用L-LTF信号的射频指纹提供了一个无开销的指纹解决方案。

合成数据时的挑战是使其尽可能接近无线电从接收到的真实世界信号中看到的数据。为此，我们通过将每一帧通过具有一定延迟剖面和平均路径增益的瑞利多径衰落信道来合成数据。我们还添加白高斯噪声到每个数据集。加入射频损伤，包括相位噪声、频率偏移和直流偏移。

图4显示了我们对测试帧进行分类和计算神经网络的最终精度后的结果。该网络能够正确识别100%的射频指纹。

使用实例使用无线电采集的数据

现在，我们重复这个工作流程，但不是应用合成数据来训练和测试系统，而是使用软件定义无线电(SDR)从真实路由器上收集的WLAN信标帧数据。我们使用第二个SDR来传输未知的信标帧并捕获它们。深度学习网络用这些捕获的信号进行训练。

图5显示由路由器和无线电构建的设置。我们使用Analog Devices的ADALM-PLUTO SDR平台。

这个例子使用了来自四个已知路由器的数据。数据集包含每台路由器3600帧，其中90%用作训练帧，10%用作测试帧。图6当我们仅仅用无线电的数据训练我们的网络和测试我们的系统时，显示了结果。同样，网络能够在所有情况下识别正确的射频指纹。

我们还通过使用WLAN工具箱功能生成信标信号，通过ADALM-PLUTO SDR欺骗路由器来测试系统。下面是本次实验的输出样例:

Codelist网络

如您所见，系统可以识别模拟程序和未知路由器。

我们能够证明我们的算法和工作流步骤使用合成数据，这帮助我们无缝地移动到一个基于硬件的系统。这种类型的工作流也可以应用到其他通信系统。

要了解更多关于本博客中涵盖的主题，请参阅下面的示例或给我发邮件rgentile@mathworks.com：

设计一种基于模拟数据的深度神经网络来检测WLAN路由器模拟(示例):学习如何用模拟数据设计一个射频指纹CNN。使用来自已知和未知路由器的模拟WLAN信标帧训练CNN进行射频指纹识别。
用捕获数据测试深度神经网络以检测WLAN路由器模拟(示例):学习如何用捕获的数据训练一个RF指纹CNN。您可以使用SDR从真实路由器捕获WLAN信标帧。
基于深度学习的雷达波形分类(示例):学习如何使用Wigner-Ville分布和深度CNN对生成的合成数据的雷达波形类型进行分类。

参见更多的5G、雷达和电子战资源包括之前博客文章中提到的那些。