领域自适应设备指纹用于网络访问认证的多重分形维度表示
摘要：RF数据驱动的深度学习设备指纹识别近期被提出作为自动化网络访问认证的潜在解决方案。传统方法普遍容易受到领域适应问题的影响，即在一个领域的数据上训练出的模型在另一个领域的数据上测试时效果不好。领域变化的例子包括设备位置或环境的变化，以及数据采集的时间或日期的变化。本文中，我们提出使用多重分形分析和方差分形维度轨迹（VFDT）作为深度神经网络的数据表示输入，以提取具有领域通用性的设备指纹。我们分析了采用提出的VFDT表示在检测硬件损坏的IQ信号中的设备特定签名方面的效果，并在30个WiFi功能的Pycom设备的实验测试平台上评估其在真实环境中的稳健性，这些设备位于不同的位置和不同的尺度上。我们的结果表明，与使用原始IQ数据相比，VFDT表示显著提高了深度学习模型的可扩展性、稳健性和通用性。
作者：Benjamin Johnson and Bechir Hamdaoui
论文ID：2308.07925
分类：Cryptography and Security
分类简称：cs.CR
提交时间：2023-08-16