基于深度神經網絡的設備身份識別研究

鄭雅文，任佳鑫，劉銘

（北京交通大學計算機與信息技術學院，交通數據分析與挖掘北京市重點實驗室，北京100044）

0 引言

隨著移動網絡的快速普及，無線網絡技術逐漸深入滲透到人們生活中的方方面面，產生了智慧家居、車聯網、智慧城市、智慧醫療[1]等新型的物聯網應用，正在形成一個“萬物互聯”的世界。無線網絡的通信過程具有開放性，無線網絡中不同設備發送的無線信號都可能被其他設備接收到。這種開放性在給無線網絡帶來部署便利的同時，也產生了用戶信息安全隱患。惡意用戶可能偽裝成合法用戶，入侵無線網絡展開主動攻擊，使得合法用戶信息有被竊取盜用的風險。2016 年美國域名解析服務提供商Dyn 公司遭受大規模DDoS攻擊，攻擊源主力為Mirai 病毒控制的物聯網設備，導致美國東海岸地區網絡大面積癱瘓[2]。惡意用戶也可能偽裝成基站[3]或者設置釣魚AP[4]，欺騙合法用戶接入，可能竊取合法用戶信息甚至控制合法用戶設備，對合法用戶信息安全造成威脅。在360 互聯網安全中心最新發布的《2019 年手機安全狀況報告》中顯示[5]，360手機衛士識別和攔截的垃圾短信高達95.3 億條，且因信息竊取引起的電信詐騙損失金額高達1546.5 萬元。由此可見，一旦惡意用戶突破網絡接入的安全認證環節，將對無線網絡安全產生嚴重影響。因此，保障無線網絡安全的關鍵之一在于保障無線設備接入時身份識別環節的安全。

目前，無線設備的身份識別技術主要有傳統基于密碼的方法，這些方法主要使用IP、MAC 地址等作為身份識別的依據[6]，或者使用復雜的數學運算、協議產生密鑰、口令、數字簽名等用于完成用戶之間的身份識別工作[7]。但這樣的方法存在密鑰信息泄露、篡改等隱患，如今計算機能力的不斷提高，也使得破譯密碼的能力不斷增強，從而威脅到基于密碼的身份識別方法的有效性。并且物聯網設備中包含大量輕量級設備，其運算能力無法滿足這種復雜度較高的身份識別方法。因此，單純使用加密的方法變得不再可靠，需要尋找一種更加穩定和安全的無線設備身份認證方法。

近年來，越來越多研究表明利用射頻指紋（Radio Frequency Fingerprinting，RFF）可以很好地進行設備的身份識別。射頻指紋是無線網絡設備在制造生產過程中形成一種固有的設備缺陷。如圖1 所示，從基帶數字信號到射頻模擬信號的變換過程中會對射頻信號產生特有影響，因而可以基于這些固有的、穩定且唯一的信號特征實現無線設備個體身份識別。例如正交混頻器中處理同相（I 路）與正交（Q 路）時，由于二者之間的增益和相位不匹配，產生I/Q 偏移[8]；振蕩器在發射機和接收機端進行載波上變頻和下變頻時，由于二者存在精度差異，導致載波頻偏出現[9]；功率放大器在一段時間的線性增長達到飽和后會出現非線性增長的情況，此時會由于放大器性能不同而產生輸出信號的壓縮不同[10]。本文選擇主要考慮相位偏移[11]作為射頻指紋來進行設備的身份識別，接收機端接收到的信號中包含了相位偏移帶來的穩定影響，通過深度神經網絡的學習達到分類判別的目的。

圖1 射頻指紋的產生機理

利用射頻指紋進行身份識別的識別技術主要分為兩種。其一是基于統計分析方法，Polak 等人利用假設檢驗的方法[12]，對射頻指紋特征進行合適的檢驗統計量設計，以此進行身份識別分類。但該方法要求信號需要高斯分布，在實際環境中并不始終成立，因此使用有一定局限性。其二是基于機器學習的方法，彭林寧等人利用K-means 的聚類方法對設備進行分類[13]，但其結果在低信噪比下難以達到較好的識別效果，且利用差分星座軌跡圖進行射頻指紋提取會因其統計性丟失一部分射頻指紋特征。在其更新的研究中，使用深度學習的卷積神經網絡對差分星座軌跡圖表示的射頻指紋進行設備分類[14]，但該方法針對GFSK 調制設計，應用于其他調制方式和通信協議時性能有所降低。

對此，本文提出一種使用射頻信號的原始采樣數據，并利用深度神經網絡進行射頻指紋特征學習與分類的無線設備身份識別方法。本文方法與以往算法相比，最大的區別在于直接使用射頻信號的原始采樣數據而不需要對采樣數據進行預處理，使得設備識別性能不受信號預處理的影響，適用面更廣。實驗證明，該方法具有良好的學習分類特征的能力，在用戶數目增加和信噪比降低的環境中也可以獲得很好的分類準確率。

1 系統模型與信號模型

1.1 系統模型

考慮一個存在非法設備主動攻擊的無線通信環境。如圖2 所示，其中包括一個合法發射機（Bob）、一個合法接收機（Alice），以及1 到9 個非法發射機（Eve）。Bob 向Alice 發送接入請求信號，二者之間的通信為正常通信，此時此信號首先從基帶數字信號轉化為射頻模擬信號，該過程會經過Bob 設備發射機的射頻前端，因射頻前端在制造過程中存在固有缺陷，會對模擬信號施加特有的影響。再經過隨機的靜態瑞利信道HBA，此時信道以及所處環境中的噪聲也會對信號產生一定的影響，通常可被視為噪聲因素。合法接收機Alice 利用其接收機射頻前端，將射頻模擬信號再次轉化為數字信號。這一信號轉化過程同樣會對信號產生特定影響。同理，非法設備Eve 也發送接入請求，經過非法發射機的射頻前端、信道HBA、到達合法接收機射頻前端，對信號產生不同的影響。此時，若合法通信設備Bob 的身份識別機制（如密鑰）被Eve 竊取，則Eve可以模仿Bob 身份，對Alice 實施入侵。傳統基于密鑰的身份識別機制將難以發現此類入侵，若在傳統密鑰的基礎上加上基于射頻指紋的身份認證識別方法，在Alice 處設置一個基于深度神經網絡學習的身份識別判別器D，通過對合法設備、非法設備不同射頻指紋的學習進行判別，則可以依據發射機的射頻指紋特征實現無線設備的身份識別。由于射頻指紋來自于射頻信號特征，而與其所承載的信息無關，因而可以在傳統密鑰機制上為無線網絡增加另一層安全保障。

圖2 存在惡意攻擊用戶的無線通信系統模型

1.2 信號模型

由于本文所提出的算法從原始射頻采樣信號中提取射頻指紋，因此適用于采用各種調制方式的系統。為表述清晰起見，本文假設用戶通信采用QPSK 調制方式。QPSK 調制包含四個輸出相位θ0，分別為每個相位攜帶兩位二進制信息，分別對應00、01、11、10。使用QPSK 調制方式對基帶數字信號進行調制，首先數字信號經過電平發生器產生相對應的IQ 信號，再經過本地振蕩器使I/Q 兩路分別與cosω0t、sinω0t載波進行調制，將信息加在到相應輸出波形的相位上。根據歐拉公式，經過QPSK 調制后的調制信號可表示為[15]：

由于生產制造中的工藝限制，每個設備會因自身制造誤差產生獨特且穩定的相位偏移，令發射機的相位偏移為θT，接收機的相位偏移為θR，每個樣本點的采樣相位偏移為Δ。對于不同的發射機設備而言，θT為獨立且唯一的相位偏移值，以此作為區別不同設備的射頻指紋。由于接收信號為同一觀察者Alice，因此θR是相同。假設系統所處環境的信道為靜態瑞利信道，即在一定時間內信道參數不隨時間變化而變化。在這樣具備開放性與穩定性的無線信道環境中，攻擊者易于竊聽到穩定的合法信號樣本，因此基于密鑰的設備身份識別機制非常容易受到攻擊[16]。信道也會對相位偏移造成影響θH，再設置環境中存在加性噪聲N，這些因素會對射頻指紋的識別帶來一定的干擾[11]。綜上，本文所考慮的信號可以表示為：

隨后本文將基于該模型生成數據集，用于仿真實驗和性能驗證。

2 基于深度神經網絡的設備身份識別

本文將提出一種基于深度神經網絡的設備身份識別方法，具體而言，本文設計了一個包含三層隱層的全連深度神經網絡，使用模擬仿真接收機接收到的原始采樣射頻信號作為數據集進行訓練學習與分類。

2.1 深度神經網絡

深度神經網絡（Deep Neural Networks，DNN），是一個擁有多層隱層的神經網絡，其學習過程依據前饋神經網絡進行[17]。以單個神經元為例，神經元在接收到上一層神經元的輸入x后會按照權值ω與輸入值連接并傳遞，當前神經元接收到所有輸入后，與閾值進行比較，并使用激活函數激活，得到下一個神經元的輸入：

其中，b為偏置項，f(·)為激活函數。以此類推，在到達最后一個神經元時，使用BP 算法前向傳播，調整參數，迭代優化，使得最終訓練誤差達到可接受范圍內。本文算法使用的誤差函數為基于二分類的交叉熵函數：

其中y為樣本標簽值，來自合法接收機的射頻信號樣本為1，來自非法接收機的射頻信號樣本為0。p為經過Sigmoid 函數輸出所測試的射頻信號樣本來自于合法接收機的概率。

為了適應模型的復雜度，僅僅使用這樣簡單的神經網絡顯然是不夠的。通過增加隱層的神經元個數可以增加模型復雜度，但增加隱層層數會顯得更有效。因此，深度神經網絡更能滿足復雜度高、容量大的學習任務。

2.2 深度神經網絡結構

本文所提出的基于深度神經網絡的設備身份識別過程如圖3 所示。

圖3 基于深度神經網絡的設備身份識別流程圖

在接收機Alice 端接收到分別來自合法發射機Bob 和非法發射機Eve 發送的信號，令其為Y和Y' 。與（2）式中的相位偏移對應，θB與θE分別為合法與非法發射機射頻前端對發射信號造成的相位偏移，而θBA與θEA分別為合法與非法信道對信號產生的相位偏移。θA則是合法接收機射頻前端對接收信號產生的相位偏移。在訓練期過程中，將從Bob 端發來的信號標記為標簽1，從Eve 端發來的信號標記為標簽0，將信號與標簽綁定后輸入網絡進行訓練。經過一定的訓練過程，便可得到一個本質上是分類器的設備身份識別網絡。

根據人工神經網絡領域中的通用近似定理，任意一個定義在閉集上的連續函數，均可由三層前饋神經網絡模擬到任意精度[18]。因此，本文設計了一個包含三層隱層的深度神經網絡來學習（2）式中的射頻指紋特征。本文所提出的深度神經網絡結構如圖4 所示。

圖4 深度神經網絡結構

其中，主要包含三個部分，輸入層、隱層、輸出層。

（1）輸入層：

輸入層由800 個神經元組成。由于本文針對射頻信號的原始IQ 采樣數據，每個采樣數據均表示為復數形式。傳統神經網絡無法直接對復數進行處理。為了解決這一問題，本文將復數信號轉化成為實數形式后輸入神經網絡進行后續處理[19]。具體而言，將數據集中每個復數的實部ai、虛部bi分離出來，并按照每一個樣本點的實部和虛部交替排列，形成輸入數據向量。

（2）隱層：

本文提出的隱層采用3 層全連層，神經元個數分別為200 個、100 個、100 個。隱層中的激活函數使用ReLU 函數，并在最后一層隱層后使用dropout 層對網絡參數進行調整。

（3）輸出層：

最后一層為輸出層，神經元個數為1 個，采用Sigmoid 函數作為激活函數。輸出結果為一個0 到1 的實數，表征該輸入樣本的標簽為0 和1 的概率，將其與數據的真實標簽用交叉熵函數作為損失函數計算損失值，依此損失值進行前饋調整、迭代學習。

2.3 數據集

依據前文所述的信號模型產生通信信號的數據集。信號所承載的信息為隨機生成，且各條信號樣本的信息獨立生成。訓練集與測試集中的信號樣本均獨立。與傳統射頻指紋研究使用固定前導信息進行射頻指紋提取不同[20]，本文所提出的射頻指紋抽取方式僅與信號波形有關，而與所承載的信息無關。更適用于傳輸隨機數據的實際場景。考慮靜態的瑞利信道，即它對信號產生的是一個隨機未知且在一段時間內保持不變的影響。引入加性噪聲為5dB 到40dB，步長為5dB共8 個信噪比（SNR）值，涵蓋到正常無線通信的信噪比范圍。

根據研究實驗變量不同，分為兩個數據集，兩個用戶數據集（2users data）、十個用戶數據集（10users data），每個數據集中包含不同信噪比情況下的數據樣本。兩個用戶數據集代表的是最簡單常見的設備身份識別場景，即一個合法用戶、一個非法用戶。而十個用戶數據集代表了常見的智慧家庭或者智慧辦公應用環境下每個接入點所包括的設備數量。

（1）2users data：

該數據集中包含兩個用戶，其中，相位偏移設置為合法發射機θB=π/3，合法接收機θA=π/4，非法接收機θE=π/6 。在每種信噪比下收集20000 條信號樣本（single SNR data），因此平均混合各個SNR 的數據集后，數據集總大小為160000 條信號樣本。

（2）10users data：

該數據集中包含十個用戶，其中相位偏移設置為合法發射機θB=0，合法接收機θA=π/4，非法發射機θE=π/5*n(n=1,2,3,4,5,6,7,8,9)，在每種信噪比下收集18000 條信號樣本，因此平均混合各個SNR 的數據集后，數據集總大小為144000 條信號樣本。

其中每一個樣本包含400 個射頻信號采樣點，并將數據集按照8：1：1 的比例劃分為訓練集、測試集、驗證集。

3 實驗結果與分析

本節介紹針對不同實驗變量對本文所提出的網絡進行參數優化與性能評估。首先驗證不同損失函數對神經網絡性能的影響，接下來展示在不同用戶場景和不同信噪比情況下的性能。本文所提出算法使用Python 語言和PyTorch 的深度學習框架實現。

3.1 損失函數

本文選用了四種損失函數進行考察，分別為均方誤差損失函數（MSELoss）、平均絕對誤差損失函數（L1Loss）、平滑平均絕對誤差損失函數（SmoothL1Loss）與交叉熵損失函數（BSELoss）進行對比。并且在三種環境下進行訓練和測試，分別為：①使用2users data；②在兩個用戶的環境中使用SNR 為5dB 數據集（2users single SNR data）；③在十個用戶的環境中使用SNR為5dB 數據集（10users single SNR data）。

得到在不同數據集訓練下的準確率結果表1所示。

表1 不同損失函數在三種數據集訓練下的判別準確率

這里選擇展示在使用2users single SNR data 進行訓練時準確率變化情況與損失函數值變化情況的實驗結果如圖5、圖6 所示。

圖5 使用不同損失函數準確率變化對比

圖6 使用不同損失函數損失值變化對比

在三種數據集訓練下可以發現，除了使用L1Loss無法達到判別效果，其他三種均可達到95.57%以上的判別準確率。在使用2users data 進行訓練時，更是均達到99.75%以上的準確率。而使用BCELoss 是均使準確率達到四種損失函數中最高位。結合損失值變化曲線也可以發現，在使用BCELoss 時，loss 值也可以更快地降到0 并保持平穩。因此使用BCELoss 作為損失函數，無論從運行梯度下降的時間效率上看，還是從訓練結果判別準確率上看，均為較好的那一個。

由于本研究針對的模型問題是一個判別二分類問題，神經網絡模型設置的最后一層是Sigmoid 函數，Sigmoid 函數缺點在于其函數曲線兩端的梯度接近于0，這不利于網絡的收斂和訓練。但使用BCELoss 作為損失函數時，求得反向傳播的梯度就與Sigmoid 函數無關了，從而便于容易進行求導運算且避免了梯度消失問題。

其次，SmoothL1Loss 的效果略次于BCELoss，但是L1Loss 卻對模型不起作用，使得Loss 值一直為1，判別準確率也一直是50%。這里是因為L1Loss 函數存在缺陷，當預測值與真實值相差為0 時，損失函數是不可導的。換句話說，當預測值與真實值相差不大時，L1Loss容易造成無法收斂的情況出現。使用MSELoss 作為損失函數，當預測值與真實值差距較大時，反向傳播的梯度會過大，而使得網絡訓練抖動較大，不利于網絡收斂。SmoothL1Loss 函數卻可以使得梯度在預測值與真實值相差不大時可以足夠小，在預測值與真實值相差很大時也不至于過高，最大為1，從而可以避免梯度爆炸。

3.2 用戶數目

本節將用戶數目作為實驗變量，考察在用戶數目增多時對深度神經網絡的訓練學習能力的影響。除上一節中使用的三種數據集之外，再增加使用10users data 的情況納入考察范圍。訓練后的測試結果如表2。

表2 四種數據集訓練下的判別準確率

圖7 不同用戶數目訓練時準確率變化曲線

從圖7、表2 中可以看出，深度神經網絡可以學習到用戶的射頻指紋特征，判別合法非法設備，并且在用戶數量增多及環境噪聲變大時，也可以保證準確率能

達到96.33%這樣一個滿足判別需求的準確率。在兩個用戶時，更是能達到99.7%以上的準確率。說明本文設計的深度神經網絡學習能力會因為環境復雜度變高而稍受影響，兩用戶比十用戶的準確率高，而且收斂得更快，但準確率在約23 個epoch 之后，復雜度高的一方也可以收斂到的穩定值。

3.3 信噪比

本節主要考慮將多種信噪比情況作為實驗變量，考察本文提出的識別算法的有效性。設置了8 種信噪比環境，這8 種信噪比涵蓋了正常無線通信的信噪比范圍，包括低信噪比環境、中等信噪比環境和高信噪比環境。在四種數據集下訓練后的測試準確率如表3 所示。

表3 四種數據集訓練下不同信噪比的判別準確率

通過表4 中準確率也可以發現，本文提出的方法不僅實現了在各個信噪比環境中的設備身份識別分類任務，且在大于10dB 的情況下，均能達到97.68%以上的準確率。因此，通過深度神經網絡的學習，在較差環境中也可以得到較好的判別準確率，以滿足實際系統對非法用戶的鑒別需求。從使用single SNR data 數據集的判別準確率上看，判別準確率與SNR 之間具有一定正相關性，即SNR 越大，準確率越高，但受影響效果并不顯著。但使用10users data 數據集時，對信噪比為5dB 的環境較為敏感，準確率下降較快，由于該環境為所有設置中噪聲影響最大的部分，但也可以得到84.25%的準確率，并且在單獨訓練5dB 的準確率能達到97.61%。因此，在較低的信噪比且環境模型更為復雜的情況下，可以進行單獨針對訓練，以提高判別準確率。

4 結語

針對傳統的無線設備身份識別所存在的安全漏洞，本文提出一種基于深度神經網絡的設備身份識別方法，本方法使用設備射頻前端產生的射頻指紋特征進行設備身份識別，為無線網絡中設備身份識別提供了另一層安全保障。本方法從射頻接收機接收到的原始信號采樣中提取射頻指紋，保留了發射機的身份特征。本文設計了一種深度神經網絡，從所獲得的信號采樣中識別無線設備身份。通過不同場景下的仿真實驗證明，本文所提出的方法在用戶數目增加、噪聲影響增大的復雜環境中依舊保證較高的識別準確率，可達到97.61%以上，證明了本文所提出算法的有效性。