[논문]무선 단말기 Fingerprint 식별을 위한 딥러닝 구조 개발

정영규; 신학철; 나선필

doi:10.7236/jiibc.2022.22.1.7

초록
AI-Helper

RF-Fingerprint 기술은 전송된 파형에서 송신기의 하드웨어 고유 특성을 추출하는 기술로써, 디바이스 보안 분야에 매우 유용한 기술 중의 하나이다. 본 논문은 무선 단말기의 In-phase(I)와 Quadrature(Q) 값을 입력으로 동종 무선 단말기 및 이기종 무선 단말기를 식별할 수 있는 fingerprint 특징을 추출하고 이를 식별할 수 있는 딥러닝 구조를 제안한다. 동종/이기종 무선 단말기를 식별하기 위한 특징으로 I/Q를 극좌표로 변환한 후 크기 값을 시간축으로 배열한 데이터를 무선 단말기의 fingerprinting 특징으로 제안하고 이를 식별하기 위해서 수정된 1차원 ResNet 모델을 제안한다. 실험을 위해서 동일 모델 10대의 두 종류 무선 단말기를 대상으로 제안한 딥러닝 구조의 성능을 분석한다. 제안한 딥러닝 구조 및 fingerprint 특징의 성능 검증을 위해서 4000개의 데이터셋 중에서 20%인 800개 데이터셋을 이용하여 성능 분석한 결과 약 99.5%의 식별 성능을 보였다.

Abstract ▼ AI-Helper

Radio frequency fingerprinting refers to a methodology that extracts hardware-specific characteristics of a transmitter that are unintentionally embedded in a transmitted waveform. In this paper, we put forward a fingerprinting feature and deep learning structure that can identify the same type of D...

Radio frequency fingerprinting refers to a methodology that extracts hardware-specific characteristics of a transmitter that are unintentionally embedded in a transmitted waveform. In this paper, we put forward a fingerprinting feature and deep learning structure that can identify the same type of Digital Mobile Radio(DMR) by inputting the in-phase(I) and quadrature(Q). We proposes using the magnitude in polar coordinates of I/Q as RF fingerprinting feature and a modified ResNet-1D structure that can identify them. Experimental results show that our proposed modified ResNet-1D structure can achieve recognition accuracy of 99.5% on 20 DMR.

주제어

표/그림 (9)

그림 그림 1. DNN 기반 무선 단말기 RFFI 시스템 개념도 Fig. 1. DNN based RFFI System overview
그림 그림 2. 무선 단말기의 RFFI시스템을 위한 DB 구성 Fig. 2. Training and Test DB for DRM RFFI system
그림 그림 3. 무선 단말기 신호의 극좌표 표현 Fig. 3. Polar Coordinate representation of DMR signal
그림 그림 4. 무선 단말기별 극좌표 그래프 Fig. 4. Polar Coordinate graph of each DMR.
그림 그림 5. 무선 단말기 r_t 그래프 Fig. 5. r_t graph of each DMR signal
그림 그림 6. ResNet의 Residual learning 모델 Fig. 6. Residual learning Model of ResNet
그림 그림 7. 무선 단말기 RF Fingerprint를 위한 1D-ResNet 설계 Fig. 7. Development of 1D-ResNet for DMR RFFI
그림 그림 8. ResNet-1D 모델별 성능 분석 결과 Fig. 8. Result by each ResNet-1D Model
그림 그림 9. 제안된 ResNet32-1D의 Dconfusion matrix Fig. 9. confusion matrix of proposed ResNet32-1D

AI 본문요약
AI-Helper

문제 정의

본 논문은 무선 단말기 RF 신호인 In-phase(I) 와 Quadrature(Q) 신호로부터 동종 무선 단말기 및 이기종 무선 단말기를 분류할 수 있는 fingerprinting 특징을 분석하고 이를 입력으로 최적의 성능을 갖는 무선 단말기용 RF-fingerprint를 위한 딥러닝 기반 식별기를 개발한다.
본 논문은 무선기의 Time-domain I/Q 신호를 입력으로 동종/이기종의 무선 단말기를 분류하기 위한 딥러닝 모델과 fingerprinting 특징을 제안한다. 성능 분석을 위해서 무선 단말기 20대(2종류 동일 모델 10개)를대상으로 제안한 딥러닝 구조의 성능을 측정한다.

제안 방법

RFFI 시스템을 위한 ResNet-1D 구조는 기존 ResNet 모델의 convolution layer, pooling layer, batch normalization layer에서 2차원 데이터를 기준으로 연산하는 부분을 1차원 연산으로 수정하였다. 입력은 처음 Convolutional Layer(7x7 64 kernel, stride 2), Pooling Layer(stride 2)를 통과한 후 일정하게 반복되는 building block들을 통과하도록 구성되어있다.
본 논문 기존 2D 이미지를 처리하는 ResNet 모델을 1차원 신호를 학습 할 수 있는 1D ResNet 구조로 변환하여 최적의 성능을 갖는 무선 단말기 RFFI를 위한 딥러닝 구조를 제안한다.
본 논문에서는 100 step과 150 step 단계로 학습 learning rate를 감소시키는 방식으로 학습을 최적화를 수행하였다. 아래는 Step decay 수식이다.
그림 8의 confusion matrix를 보면 모토롤라 UHF 신호중에서 M04번과 M05번에서 약간의 에러가 발생하고 윈어텍 VHF 02번이 윈어텍 VHF 03으로 오인식됨을 알 수 있다. 본 논문은 이 부분에 대한 학습 알고리즘 최적화 방법을 통해서 고성능의 무선 단말기 분류를 위한 RFFI 시스템을 개발한다.
본 논문은 무선기의 Time-domain I/Q 신호를 입력으로 동종/이기종의 무선 단말기를 분류하기 위한 딥러닝 모델과 fingerprinting 특징을 제안한다. 성능 분석을 위해서 무선 단말기 20대(2종류 동일 모델 10개)를대상으로 제안한 딥러닝 구조의 성능을 측정한다.

대상 데이터

실험을 위해서 20대의 무선 단말기를 이용하여 무선단말기의 분류를 위한 학습 및 테스트 데이터베이스를 구축한다. 20대의 무선 단말기는 모토로라의 XiR P3688 과 윈어텍의 N-Series 두 모델을 대상으로 각각 10대씩 동일 모델을 이용하여 시험을 위한 데이터베이스를 구축하였다.
그림 7은 3개의 ResNet 구조을 1D의 ResNet 구조로 변환한 것이다. ResNet-1D 모델 중에서 18 Layer와 34 Layer 그리고 50 Layer를 대상으로 무선 단말기 분류을 위한 RFFI 시스템 실험을 진행하였다.
동일 모델 10대의 무선 단말기는 VHF(Very High Frequency: 138-174 Mhz) 전송방식 5대 그리고 UHF(Ultra high Frequency: 403-470 Mhz) 전송방식 5대로 나누어서 데이터를 수집한다. 그림 2는 무선 단말기 RFFI 시스템의 성능 검증을 위해서 구축한 학습/테스트 DB 구성이다.
그림 8은 수정한 여러 형태의 ResNet-1D 중에서 가장 안정적인 성능을 갖는 ResNet-1D 구조를 판단하기 위한 실험 결과이다. 실험은 전체 4000개의 데이터셋 중에서 80%의 데이터인 3200개는 학습에 사용하고 나머지 20%인 800개는 성능 분석에 사용하였다. 성능 분석 결과 대부분의 수정된 ResNet-1D 모델이 비슷한 성능을 보였으며, ResNet-1D 모델 최적화 과정에서 가장 안정적인 성능을 보인 것은 ResNet34-1D이다.
실험을 위해서 20대의 무선 단말기를 이용하여 무선단말기의 분류를 위한 학습 및 테스트 데이터베이스를 구축한다. 20대의 무선 단말기는 모토로라의 XiR P3688 과 윈어텍의 N-Series 두 모델을 대상으로 각각 10대씩 동일 모델을 이용하여 시험을 위한 데이터베이스를 구축하였다.
제안된 ResNet32-1D 구조를 적용한 무선 단말기 RFFI 시스템의 성능을 분석하기 위해서 전체 데이터 중 20%인 800개의 데이터를 입력으로 성능을 분석한다. 다음은 제안된 무선 단말기 RFFI 시스템의 학습 환경이다.

이론/모형

1. 무선 단말기 RF-Fingerprint 시스템 설계본 절에서는 딥러닝을 이용한 무선 단말기 RF-Fingerprint Identification(RFFI) 시스템을 설계한다. 그림 1은 제안된 DNN(Deep Neural Network) 기반 무선 단말기 RFFI 시스템의 구조이다.

성능/효과

그림 9는 제안된 ResNet32-1D 구조를 이용한 무선단말기 RFFI 시스템의 성능을 보여주는 confusion matrix이다. 가로축과 세로축은 20종류의 무선 단말기를 나타내고 노란색으로 표시된 부분은 정확하게 인식된 결과 데이터의 개수이다. 제안된 시스템은 99.
제안된 ResNet32-1D 구조의 성능 검증을 위해서 20 대의 무선 단말기(이기종 2개, 동일 모델 10개씩) 에에서수집된 데이터셋을 이용하여 성능 분석한 결과 99.5%의 높은 분류 정확도가 나타남을 확인하였다.
가로축과 세로축은 20종류의 무선 단말기를 나타내고 노란색으로 표시된 부분은 정확하게 인식된 결과 데이터의 개수이다. 제안된 시스템은 99.5%의 분류정확도가 나타남을 확인하였다.

후속연구

향후 연구에서는 다양한 노이즈 환경에서 제안된 RFFI 시스템의 성능을 분석하고, 무선 단말기용 fingerprinting 특징의 유용성을 분석할 예정이다.

참고문헌 (12)

Anu Jagannath, Jithin Jagannath and Prem Sagar Pattanshetty Vasanth Kumar, "A Comprehensive Survey on Radio Frequency (RF) Fingerprinting: Traditional Approaches, Deep Learning, and Open Challenges", arXiv e-prints (2022): arXiv-2201. DOI: 10.36227/techrxiv.17711444.v2
J. Oh, "A Study on the Fusion of WiFi Fingerprint and PDR data using Kalman Filter". The Journal of The Institute of Internet, Broadcasting and Communication, 20(4), 65-71,2020. DOI: 10.7236/JIIBC.2020.20.4.65

원문보기 상세보기
Soo-Hyeon Lee, Dong-Hyun Kim and Hae-Yeoun Lee, "Camera Model Identification Using Modified DenseNet and HPF," The Journal of Korean Institute of Information Technology - Vol. 17, No. 8, pp. 11-19, ISSN: 1598-8619, 2019 DOI: 10.14801/jkiit.2019.17.8.11

상세보기
Q. Xu, R. Zheng, W. Saad, Z. Han, "Device fingerprinting in wireless networks: Challenges and opportunities", in IEEE Communications Surveys Tutorials, Vol. 18, No. 1, pp. 94-104, 2016. DOI: 10.1109/COMST.2015.2476338

상세보기
V. Brik, S. Banerjee, M. Gruteser, and S. Oh, "Wireless device identification with radiometric signatures", in Proceedings of the 14th ACM International Conference on Mobile Computing and Networking, 2008, pp. 116-127.
J. Franklin, D. McCoy, P. Tabriz, V. Neagoe, J. Van Randwyk, and D. Sicker, "Passive data link layer 802.11 wireless device driver fingerprinting", in ACM USENIX Security Symposium - Vol 15, 2006.
K. Sankhe, M. Belgiovine, F. Zhou, S. Riyaz, S. Ioannidis, and K. Chowdhury, "ORACLE: Optimized Radio clAssification through Convolutional neuraL nEtworks", in IEEE International Conference on Computer Communications, 2019.
T. Jian, B. C. Rendon, E. Ojuba, N. Soltani, Z. Wang, K. Sankhe, A. Gritsenko, J. Dy, K. Chowdhury, and S. Ioannidis, "Deep learning for RF fingerprinting: A massive experimental study", in IEEE Internet of Things Magazine, Vol. 3, No. 1, pp. 50-57, 2020. DOI: 10.1109/IOTM.0001.1900065.

상세보기
N. Soltani, G. Reus-Muns, B. Salehi, J. Dy, S. Ioannidis, and K. Chowdhury, "RF Fingerprinting Unmanned Aerial Vehicles With Non-Standard Transmitter Waveforms," in IEEE Transactions on Vehicular Technology, Vol. 69, No. 12, pp. 15518-15531, 2020. DOI: 10.1109/TVT.2020.3042128

상세보기
J. Kim, C. Lee, S. Park, J. Park and C. Hong, "Development of Fire Detection Model for Underground Utility Facilities Using Deep Learning : Training Data Supplement and Bias Optimization," Journal of the Korea Academia-Industrial cooperation Society(JKAIS), v.21, no.12, pp. 320-330, 2020. DOI: 10.5762/KAIS.2020.21.12.320

원문보기 상세보기
Soo-Hyeon Lee, Dong-Hyun Kim and Hae-Yeoun Lee, "Camera Model Identification Using Modified DenseNet and HPF," The Journal of Korean Institute of Information Technology - Vol. 17, No. 8, pp. 11-19, ISSN: 1598-8619, 2019 DOI: 10.14801/jkiit.2019.17.8.11

상세보기
Loshchilov, Ilya and Frank Hutter. "Decoupled weight decay regularization." arXiv preprint arXiv:1711.05101, 2017

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

무선 단말기 Fingerprint 식별을 위한 딥러닝 구조 개발
Development of Deep Learning Model for Fingerprint Identification at Digital Mobile Radio 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

무선 단말기 Fingerprint 식별을 위한 딥러닝 구조 개발 Development of Deep Learning Model for Fingerprint Identification at Digital Mobile Radio 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

나선필 (16)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

무선 단말기 Fingerprint 식별을 위한 딥러닝 구조 개발
Development of Deep Learning Model for Fingerprint Identification at Digital Mobile Radio 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper