[논문]무선단말기 RF-fingerprinting 특징의 비지도 클러스터링을 위한 차원축소 알고리즘 연구

정영규; 신학철; 나선필

doi:10.7236/jiibc.2023.23.3.83

초록
AI-Helper

RF-fingerprint를 이용한 클러스터링 기술은 전송 파형에 포함된 송수신기의 특성(signature)을 추출하고 이들에게 임의의 레이블을 자동으로 할당함으로써, 추후 지도 학습기반에 무선단말기 분류기의 개발을 용이하게 해준다. 동종 무선 단말기 분류를 위한 RF-fingerprint 특징 추출 알고리즘의 출력은 512개 또는 1024개 이상의 고차원 특징이다. 이러한 고차원의 특징을 분류기에는 효과적일 수 있으나 클러스터링 알고리즘의 입력으로는 부적절하다. 이에 본 논문은 다차원의 RF-fingerprinting 특징을 무선단말기의 fingerprinting 특징을 유지하면서 차원을 효과적으로 줄일 수 있는 차원 축소 알고리즘을 제안하고, 축소된 차원을 효과적으로 클러스터링할 수 있는 클러스터링 알고리즘을 제안한다. 제안된 RF-fingerprinting 클러스터링 알고리즘은 다차원 RF-fingerprinting 특징을 KL Divergence 기반에 t-SNE를 이용하여 차원을 축소하고 DPC(Density Peaks Clustering)를 이용하여 클러스터링 수행한다. 무선단말기 클러스터링 알고리즘의 성능 분석은 모토롤라XiR 10대와 윈어텍 N-Series 10대에서 수집한 3000개의 데이터셋을 이용한다. RF-fingerprintining기반 클러스터링 알고리즘의 성능 분석 결과 20개의 클러스터가 형성되었고, Homogeneity, Completeness, V-measure 모두 99.4%의 성능을 보였다.

Abstract ▼ AI-Helper

The clustering technique using RF fingerprint extracts the characteristic signature of the transmitters which are embedded in the transmission waveforms. The output of the RF-Fingerprint feature extraction algorithm for clustering identical DMR(Digital Mobile Radios) is a high-dimensional feature, t...

The clustering technique using RF fingerprint extracts the characteristic signature of the transmitters which are embedded in the transmission waveforms. The output of the RF-Fingerprint feature extraction algorithm for clustering identical DMR(Digital Mobile Radios) is a high-dimensional feature, typically consisting of 512 or more dimensions. While such high-dimensional features may be effective for the classifiers, they are not suitable to be used as inputs for the clustering algorithms. Therefore, this paper proposes a dimension reduction algorithm that effectively reduces the dimensionality of the multidimensional RF-Fingerprint features while maintaining the fingerprinting characteristics of the DMRs. Additionally, it proposes a clustering algorithm that can effectively cluster the reduced dimensions. The proposed clustering algorithm reduces the multi-dimensional RF-Fingerprint features using t-SNE, based on KL Divergence, and performs clustering using Density Peaks Clustering (DPC). The performance analysis of the DMR clustering algorithm uses a dataset of 3000 samples collected from 10 Motorola XiR and 10 Wintech N-Series DMRs. The results of the RF-Fingerprinting-based clustering algorithm showed the formation of 20 clusters, and all performance metrics including Homogeneity, Completeness, and V-measure, demonstrated a performance of 99.4%.

주제어

표/그림 (7)

그림 그림 1. 무선 단말기의 표준 신호 파형 Fig. 1. Standard signal waveforms of DMR
그림 그림 2. 모토롤라01과 03의 RF-fingerprint Fig. 2. RF-fingerprint of Motorola 01 and 03
그림 그림 3. 모토롤라01과 다른 무전기간의 KLD 분포 Fig. 3. KLD distribution between Motorola01 and other DMRs
그림 그림 4. 20대 무전기에 대한 t-SNE 결과 Fig. 4. t-SNE resutls for 20 DMRs
그림 그림 5. t-SNE기반 RFFCS의 개념도 Fig. 5. t-SNE based RFFCS overview
그림 그림 6. RFFCS의 학습 및 테스트 데이터 셋 구성 Fig. 6. Training and Test DB for RFFCS
그림 그림 7. RFFCS의 클러스터링 결과 Fig. 7. Clustering Result of RFFCS

AI 본문요약
AI-Helper

문제 정의

Jung의 연구에 의하면 DMR 분류를 위해서 RF-fingerprinting 특징으로 512개의 샘플에서 1024개의 샘플이 필요하다. 따라서 본 논문은 다차원 DMR 특징으로 인한 클러스터링의 데이터 희박성 문제를 해결하기 위해서 RF-fingerprinting 의 주요 특징을 유지하는 차원 축소 알고리즘을 전처리로 제안하고 밀도기반 클러스터링 알고리즘을 결합하여 효과적인 RF 클러스터링 알고리즘을 제안한다.
본 논문은 고성능 무선단말기 클러스터링 알고리즘 개발을 위해서 KLD 기반의 t-SNE 알고리즘을 이용하여 차원을 감소하고 DPC를 이용하여 클러스터링을 수행하는 방법을 제안한다.
본 절에서는 RF-fingerprint기반에 무선단말기 클러스터링 알고리즘을 제안한다. 그림 5는 제안된 RFFCS(RF-Fingerprint Clustering System) 의 구조이다.

제안 방법

본 논문은 무선 단말기에서 수신된 In-phase(I)와 Quadrature(Q) 데이터 열을 입력으로 동종 무선 단말기 및 이기종 무선 단말기의 RF 신호에 임의의 레이블링을 자동으로 할당하는 RF-fingerprint기반에 DMR 클러스터링하는 알고리즘을 제안한다. 일반적으로 클러스터링을 수행할 때 입력 데이터의 차원이 고차원 일 때 클러스터링의 성능이 현저히 저하된다.
본 절에서는 20개의 무선 단말기에 대해서 t-SNE 기반에 무선단말기 클러스터링 알고리즘의 성능을 검증한다. 20대의 무선단말기는 동일 모델 10개씩 두 종류의 무전기로 구성되어진다.
제안된 RFFCS는 I/Q 신호열에서 첫 번째 버스트를 추출하는 End Point Detection(EPD) 모듈과 전체 데이터셋에 대해서 학습용 데이터를 구축하는 모듈,개별 신호에 대해서 fingerprint 특징을 추출하는 모듈, 추출된 전체 데이터셋을 입력으로 KLD를 이용하여 차원을 축소하는 t-SNE 모듈 마지막으로 전체 데이터를 이용해서 클러스터링을 수행하는 DPC(density peaks clustering) 모듈로 구성된다.

대상 데이터

하나는 모토로라의 XiR P3688이고 다른 한 종류는 윈어텍의 N-Series 무선 단말기이다. 그리고 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. 그림6은 본 실험의 대상이 되는 무선 단말기의 구조 및 실험에 사용된 데이터 수이다.
이전 연구에서 RF-fingerprinting 특징으로 512개 또는 1024개 특징을 추출하였다. 이러한 고차원의 특징을 분류기에는 효과적일 수 있으나 클러스터링 알고리즘의 입력으로는 부적절하다.

이론/모형

⦁ 입력의 고차원 데이터와 저차원 점들 쌍들에 대해서 gradient descent 방식을 사용하여 KL divergence 합계를 최소화함.
다차원 RF-fingerprinting 특징에서 효과적인 차원 축소를 위해서 다양한 통계적 거리측정 방법 중에서 두 확률 분포의 차이를 계산하는데 사용하는 함수인 Kulback-Leibler Divergence(KLD) 를 이용하여 RF 클러스터링의 가능성을 분석한다. KLD 는 어떤 이상적인 분포에 대해, 그 분포를 근사하는 다른 분포를 사용해 샘플링 할 때, 발생할 수 있는 정보 엔트로피의 차이를 계산하는 방식으로 상대 엔트로피(relative entropy), 정보 획득량(information gain), 인포메이션 다이버전스(Information divergence)라고도 부른다.

성능/효과

제안된 시스템은 3개의 성능지표 평균 약 99.4%의 정확도로 20개의 무전기를 클러터링함을 확인하였다.
제안한 RF 클러스터링 알고리즘의 성능 검증을 위해서 20개의 클래스에 대해서 각각 150개의 데이터셋 무작위적으로 입력하여 클러스터링을 수행한 결과 클러스터링 수는 20개로 클러스터링이 되었고, 개별 데이터의 성능지표인 Homogeneity, Completeness, V-measure 모두 99.4%의 성능을 보였다.

후속연구

이러한 고차원의 특징을 분류기에는 효과적일 수 있으나 클러스터링 알고리즘의 입력으로는 부적절하다. 따라서 고성능의 클러스터링 알고리즘을 개발하기 위해서는 다차원의 fingerprinting 특징을 DMR 무전기의 fingerprinting 특징을 유지하면서 효과적으로 차원을 축소할 수 있는 알고리즘이 필요하다.
향후 연구에서는 다양한 채널과 노이즈 환경에서 제안된 방법의 성능을 분석하고, 무선 단말기용 RF fingerprinting 특징의 유용성을 분석할 예정이다.

참고문헌 (15)

Alex Rodriguez and Alessandro Laio, "Clustering by？fast search and find of density peaks," Science, vol.？344 pp. 1492-1496, 2014.？DOI: 10.1126/science.1242072.

상세보기
Q. Xu, R. Zheng, W. Saad, and Z. Han, "Device？fingerprinting in wireless networks: Challenges and？opportunities," IEEE Communications Surveys？Tutorials, vol. 18, no. 1, pp. 94-104, 2016.

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 - Volume 15, 2006.
I.O.Kennedy, P.Scanlon, F.J.Mullany, M.M.Buddhikot,？K.E.Nolan, and T. W. Rondeau, "Radio transmitter？fingerprinting: A steady state frequency domain？approach," in IEEE VTC, Sept 2008, pp. 1-5.
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.
YoungGiu Jung, Shin, Hack-Chul, Sun Phil Nah,？"Development of Deep Learning Model for Fingerprint？Identification at Digital Mobile Radio," The Journal of？The Institute of Internet, Broadcasting and？Communication, vol. 22, no. 1, pp. 7-13, Feb. 2022.
Lee, W.-H., Seo, J.-W., Kim, K.-Y., & Lin, C.-H.. "A？Fine Dust Measurement Technique using K-means？and Sobel-mask Edge Detection Method." The Journal？of The Institute of Internet, Broadcasting and？Communication, 22(2), 97-101.？https://doi.org/10.7236/JIIBC.2022.22.2.97

원문보기 상세보기
Nam, Myung Woo, Hong, Soon Kwan, "Study on Hand？Gestures Recognition Algorithm of Millimeter Wave",？Journal of the Korea Academia-Industrial cooperation？Society, vol. 21, Issue 7, pp.685-691, 2020.？DOI : http://dx.doi.org/10.5762/KAIS.20 20.21.7.685

원문보기 상세보기
Zhang, T., Ramakrishnan, R. & Livny, M. "BIRCH: A？New Data Clustering Algorithm and Its Applications."？Data Mining and Knowledge Discovery 1, 141-182,？1997.？https://doi.org/10.1023/A:1009783824328

상세보기
Guha Sudipto, Rastogi Rajeev, and Shim Kyuseok.？"CURE: An efficient clustering algorithm for large？databases." ACM Sigmod Record 27, 2, 73-84, 1998.
Sudipto Guha, Rajeev Rastogi and Kyuseok Shim,？"ROCK: A robust clustering algorithm for categorical？attributes," Information systems, Volume 25, Issue 5,？pp. 345-366,2000.？https://doi.org/10.1016/S0306-4379(00)00022-3.

상세보기
Seung-Mok Lee, Young-Hyung Kim, Jae-Kwon Eem."A？Method of Edge Line Estimation for Panel Glass？Images using DBSCAN Algorithm." The Journal of？Korean Institute of Information Technology, 19(5),？81-86, 2021.？DOI : 10.14801/jkiit.2021.19.5.81

상세보기
Mihael Ankerst, Markus M. Breunig, Hans-Peter？Kriegel and Jorg Sander,"OPTICS: Ordering points to？identify the clustering structure," ACM SIGMOD Rec？28(2):49-60, 1999.
Roweis, Sam; Hinton, Geoffrey. "Stochastic neighbor？embedding" Neural Information Processing Systems,？January 2002.

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

무선단말기 RF-fingerprinting 특징의 비지도 클러스터링을 위한 차원축소 알고리즘 연구
Study on Dimension Reduction algorithm for unsupervised clustering of the DMR's RF-fingerprinting features 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (15)

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

무선단말기 RF-fingerprinting 특징의 비지도 클러스터링을 위한 차원축소 알고리즘 연구 Study on Dimension Reduction algorithm for unsupervised clustering of the DMR's RF-fingerprinting features 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (15)

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

무선단말기 RF-fingerprinting 특징의 비지도 클러스터링을 위한 차원축소 알고리즘 연구
Study on Dimension Reduction algorithm for unsupervised clustering of the DMR's RF-fingerprinting features 원문보기

초록
AI-Helper

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper