KR102347174B1 - Ensemble based radio frequency fingerprinting apparatus and method of identifying emitter using the same - Google Patents
Ensemble based radio frequency fingerprinting apparatus and method of identifying emitter using the same Download PDFInfo
- Publication number
- KR102347174B1 KR102347174B1 KR1020210095830A KR20210095830A KR102347174B1 KR 102347174 B1 KR102347174 B1 KR 102347174B1 KR 1020210095830 A KR1020210095830 A KR 1020210095830A KR 20210095830 A KR20210095830 A KR 20210095830A KR 102347174 B1 KR102347174 B1 KR 102347174B1
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- classifier
- state signal
- transition state
- ensemble
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Abstract
Description
본 발명은 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법에 관한 것으로 더욱 상세하게는 상승 천이상태 신호, 정상상태 신호 및 하강 천이상태 신호를 동시에 사용하는 앙상블 접근 기반의 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법에 관한 것이다.The present invention relates to an ensemble-based wireless fingerprinting apparatus and a method for identifying a transmitter using the same, and more particularly, to an ensemble access-based wireless fingerprinting apparatus using a rising transition state signal, a steady state signal and a falling transition state signal at the same time, and the same It relates to the method of identifying the source of transmission used.
무선 핑거프린팅(Radio Frequency(RF) fingerprinting)이란 수신된 전파 신호 속에서 시그널 핑거프린트(Signal Fingerprint, SF)를 찾아 분석하여 수신 신호가 어떤 신호 송출원으로부터 발생되었는지를 식별하는 기술이다. 여기서 시그널 핑거프린트(SF)는 수신된 신호로부터 계산되는 특정 수치적 값으로 계산될 수 있고 송출원 간의 차이를 특정할 수 있는 어떠한 형태로든 정의될 수 있다. 시그널 핑거프린트(SF)는 통신기 내부의 각 부품들이 갖는 비선형적인 특성으로부터 발생될 수 있다. 전력 증폭기(Power amplifier, PA), 주파수 발진기(Frequency Oscillator, FO) 혹은 송신 안테나(transmission antenna) 등 각 부품들은 제조 공정상의 자연적 특성(nature property)으로부터 의도치 않은 출력 오차값을 보이게 된다. 이러한 오차값들이 모여 최종적으로 전파 신호 속에 고유한 편차값을 형성하게 되며, 이 값을 마치 지문과도 같이 사용함으로써 수신된 전파 신호에 대한 송출원을 식별할 수 있다.Radio frequency (RF) fingerprinting is a technology for identifying a signal transmission source from which a received signal is generated by finding and analyzing a signal fingerprint (SF) in a received radio signal. Here, the signal fingerprint SF may be calculated as a specific numerical value calculated from a received signal and may be defined in any form capable of specifying a difference between transmitters. The signal fingerprint (SF) may be generated from non-linear characteristics of each component inside the communicator. Each component, such as a power amplifier (PA), a frequency oscillator (FO), or a transmission antenna, exhibits an unintended output error value from a natural property in the manufacturing process. These error values are gathered to finally form a unique deviation value in the radio signal, and by using this value like a fingerprint, the source of the received radio signal can be identified.
최근 IoT(Internet of Things) 환경에서의 물리 계층 인증(Physical Layer authentication) 방법으로써 무선 핑거프린팅 기술이 각광 받고 있다. 이에 따라, 다양한 형태의 시그널 핑거프린트(SF) 또한 연구되고 있다. 신호의 시간 영역에서 가능한 시그널 핑거프린트(SF)를 다루는 상승 천이상태(rising transient, RT), 정상상태(steady state, SS) 그리고 하강 천이상태(falling transient, FT)의 신호에 대한 연구가 진행된 바 있다. 그리고 신호의 복조(demodulation) 과정에서 계산 가능한 시그널 핑거프린트(SF)를 의미하는 프리앰블 추출(preamble extraction), I/Q 컨스텔레이션 에러(constellation errors) 등에 대한 연구가 진행된 바 있다. 또한 최근에는 공간 영역에서의 안테나 빔 패턴(antenna beam pattern)을 시그널 핑거프린트(SF)로 사용하기 위한 연구가 보고된 바 있다.Recently, as a physical layer authentication method in the Internet of Things (IoT) environment, wireless fingerprinting technology has been in the spotlight. Accordingly, various types of signal fingerprints (SF) are also being studied. Research on signals of rising transient (RT), steady state (SS), and falling transient (FT), dealing with possible signal fingerprints (SF) in the time domain of the signal, has been conducted. have. In addition, research on preamble extraction, I/Q constellation errors, etc., which means a signal fingerprint (SF) that can be calculated in a signal demodulation process, has been studied. Also, recently, a study for using an antenna beam pattern in a spatial domain as a signal fingerprint (SF) has been reported.
상승 천이상태(RT)의 경우, 터키의 Kara 교수 연구팀에서는 전파 신호 속 상승 천이상태(RT) 신호를 추출하여, 힐베르트 스펙트럼(Hilbert spectrum)을 구한 후 13종류의 특징(feature)을 계산하였으며, 선형 SVM(Support Vector Machine) 분류기를 이용해 학습하였다. 이를 통해, 20개의 휴대전화 속 블루투스 장치(Bluetooth device)에 대한 18~23dB SNR 환경에서의 90.5% 정확도를 확보할 수 있었다. In the case of Rising Transition State (RT), Professor Kara's research team in Turkey extracted the Rising Transition State (RT) signal from the radio signal, calculated the Hilbert spectrum, and calculated 13 types of features. It was trained using SVM (Support Vector Machine) classifier. Through this, it was possible to secure 90.5% accuracy in the 18-23dB SNR environment for Bluetooth devices in 20 mobile phones.
정상상태(SS) 관련 최신 연구 사례의 경우, 중국의 한 연구팀에서는 수신된 전파 신호의 힐베르트-황 변환(Hilbert-Huang transform, HHT)을 구한 후, 이를 잔여 네트워크(residual network) 기반 딥러닝 분류기(deep learning classifier)에 학습시킨 바 있다. 이때, 특성 파라미터(parameter)를 바꿔가며 구성한 5개의 송출원에 대해 20dB SNR에서 95% 가까이의 정확도를 보여주었다. In the case of the latest steady-state (SS)-related research case, a research team in China obtained the Hilbert-Huang transform (HHT) of the received radio signal, and then applied it to a residual network-based deep learning classifier ( It has been trained in a deep learning classifier. At this time, it showed an accuracy of close to 95% at 20dB SNR for 5 transmitters configured by changing the characteristic parameters.
하강 천이상태(FT)의 경우, 본 연구팀은 수신된 전파 신호의 하강 천이상태(FT) 신호를 추출하고, 이를 상승 천이상태(RT), 정상상태(SS)와 함께 연결하는 연결 주파수 계수 특징(concatenate frequency coefficient feature)을 정의하고, 이를 희소 묘사 분류기(sparse representation classifier, SRC)를 통해 분류한 바 있다. 이를 통해 8개의 워키토키(walkie-talkie) 송출원에 대한 식별 정확도 99%를 확보하였다. In the case of the falling transition state (FT), our research team extracts the falling transition state (FT) signal of the received radio signal, and connects it with the rising transition state (RT) and steady state (SS). The concatenate frequency coefficient feature) was defined, and it was classified through a sparse representation classifier (SRC). Through this, 99% of identification accuracy for 8 walkie-talkie transmission sources was secured.
신호의 복조 과정에서 정의할 수 있는 다양한 형태의 시그널 핑거프린트(SF)들이 연구되고 있다. 중국의 Huang 교수 연구팀에서는 프리앰블 신호에 대한 엔트로피(entropy) 계산을 통해 8개의 와이파이(Wi-Fi) 송출원에 대한 96.6% 정확도를 달성한 바 있다. Various types of signal fingerprints (SFs) that can be defined in a signal demodulation process are being studied. Professor Huang's research team in China has achieved 96.6% accuracy for 8 Wi-Fi transmission sources by calculating entropy for the preamble signal.
Xhi 교수 연구팀에서는 I/Q 신호에 대한 컨스텔레이션 에러를 이용하여, 합성곱 신경망(Convolutional Neural Network, CNN) 및 DBi-LSTM을 통해 16개의 USRP(Universal Software Radio Peripheral) 송출원에 대한 99.5% 정확도를 보여주었다. Prof. Xhi's research team used the constellation error of the I/Q signal to obtain 99.5% accuracy for 16 USRP (Universal Software Radio Peripheral) sources through Convolutional Neural Network (CNN) and DBi-LSTM showed
미국의 Sun 교수 연구팀에서는 수신되는 전파 신호의 공간 영역에서의 빔 패턴(Beam pattern)을 이용하여, 합성곱 신경망(CNN)을 통해 12개의 네트워크 인터페이스 컨트롤러(network interface controller, NIC)에 대한 99%의 식별 정확도를 보여주었다.Professor Sun's research team in the U.S. used a beam pattern in the spatial domain of the received radio signal to achieve 99% of the results for 12 network interface controllers (NICs) through a convolutional neural network (CNN). showed identification accuracy.
상기의 기술들은 단 하나의 시그널 핑거프린트(SF)만을 특징으로 고려하고 있는 문제가 있다. 상기의 기술들은 각자의 시그널 핑거프린트(SF)를 정의하고 계산된 특징 벡터(feature vector)를 설계된 분류기(classifier)에 입력하는 방식을 취하고 있다.The above techniques have a problem in that only one signal fingerprint (SF) is considered as a feature. The above techniques take a method of defining each signal fingerprint (SF) and inputting the calculated feature vector to a designed classifier.
각각의 시그널 핑거프린트(SF)에는 서로 다른 독립적인 특징들이 내포되어 있기 때문에 단 하나의 시그널 핑거프린트(SF)만을 특징으로 고려하는 것은 최적의 방법이라고 할 수 없다. 일례로, 상승 천이상태(RT) 신호, 하강 천이상태(FT) 신호 등의 천이 신호의 경우, 목표하는 신호 레벨까지 신호 출력의 증가 및 감소 값을 의미하기에, 전력 증폭기(PA)에 대한 비선형적 요소가 잘 내포되어 있다. 반면에 정상상태(SS) 신호의 경우, 목표한 출력 내에서 정보를 나타내기 위해 신호가 변하기 때문에 주파수 발진기(FO)에 대한 비선형적 요소가 내포되어 있다. 이 경우, 신호 송출원을 식별할 때, 정상상태(SS) 신호 하나만을 보고 결정하는 것이 아닌, 상승 천이상태(RT) 및 하강 천이상태(FT) 신호에서의 특징도 분석하여 종합적으로 결정하는 것이 더 최적의 방법이라 할 수 있다.Since each signal fingerprint (SF) contains different independent features, considering only one signal fingerprint (SF) as a feature is not an optimal method. For example, in the case of a transition signal such as a rising transition state (RT) signal and a falling transition state (FT) signal, since it means an increase or decrease value of the signal output up to a target signal level, the nonlinearity for the power amplifier PA Enemy elements are well contained. On the other hand, in the case of a steady-state (SS) signal, a non-linear component to the frequency oscillator (FO) is implied because the signal changes to represent information within the desired output. In this case, when identifying the signal source, it is better to make a comprehensive decision by analyzing the characteristics of the rising transition state (RT) and falling transition state (FT) signals, rather than looking at only the steady state (SS) signal. This may be the more optimal way.
본 발명이 해결하고자 하는 기술적 과제는 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 동시에 사용하는 앙상블 접근 기반의 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법을 제공함에 있다. The technical problem to be solved by the present invention is an ensemble access-based wireless fingerprinting device using a rising transition state (RT) signal, a steady state (SS) signal, and a falling transition state (FT) signal at the same time, and a transmission source identification method using the same is to provide.
본 발명의 일 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치는 입력 신호로부터 상승 천이상태 신호, 정상상태 신호 및 하강 천이상태 신호를 추출하는 시그널 핑거프린트 추출기, 및 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 학습하는 독립적인 각각의 기본 분류기의 출력으로부터 타겟 송출원이 속할 확률을 계산한 후 확률들 간의 곱에 대한 최대 변수를 확인하여 송출원을 식별하는 앙상블 분류기를 포함한다. An ensemble-based wireless fingerprinting apparatus according to an embodiment of the present invention includes a signal fingerprint extractor for extracting a rising transition state signal, a steady state signal, and a falling transition state signal from an input signal, and the rising transition state signal and the steady state signal and an ensemble classifier for calculating a probability to which a target transmitter belongs from the output of each independent basic classifier that learns the spectrogram of each of the falling transition state signals, and then identifying the transmitter by checking the maximum variable for the product between the probabilities includes
상기 앙상블 기반 무선 핑거프린팅 장치는 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 추출하는 특징 추출기를 더 포함할 수 있다.The ensemble-based wireless fingerprinting apparatus may further include a feature extractor for extracting spectrograms of the rising transition state signal, the steady state signal, and the falling transition state signal, respectively.
상기 앙상블 분류기는, 상기 상승 천이상태 신호로부터 추출된 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 제1 분류기, 상기 정상상태 신호로부터 추출된 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 제2 분류기, 및 상기 하강 천이상태 신호로부터 추출된 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 제3 분류기를 포함할 수 있다. The ensemble classifier includes a first classifier that learns through a deep learning classifier using a first spectrogram extracted from the rising transition state signal as an input sample, and a deep learning classifier that uses a second spectrogram extracted from the steady state signal as an input sample. It may include a second classifier that learns through the learning classifier, and a third classifier that learns through the deep learning classifier using the third spectrogram extracted from the falling transition state signal as an input sample.
상기 앙상블 분류기는 상기 제1 분류기, 상기 제2 분류기 및 상기 제3 분류기에서의 결과값을 모두 곱하여 최종 결정 벡터를 구할 수 있다.The ensemble classifier may obtain a final decision vector by multiplying the results of the first classifier, the second classifier, and the third classifier.
본 발명의 다른 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치는 물리 계층에서 복조되는 신호의 시간 영역에서의 상승 천이상태 신호, 정상상태 신호 및 하강 천이상태 신호 각각의 스펙트로그램을 추출하는 특징 추출기, 및 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 학습하는 독립적인 각각의 기본 분류기의 출력으로부터 타겟 송출원이 속할 확률을 계산한 후 확률들 간의 곱에 대한 최대 변수를 확인하여 송출원을 식별하는 앙상블 분류기를 포함한다.An ensemble-based wireless fingerprinting apparatus according to another embodiment of the present invention is a feature extractor for extracting spectrograms of a rising transition state signal, a steady state signal, and a falling transition state signal in the time domain of a signal demodulated in a physical layer, and After calculating the probability that the target transmitter belongs from the output of each independent basic classifier that learns the spectrogram of each of the rising transition state signal, the steady state signal and the falling transition state signal, the maximum variable for the product between the probabilities It includes an ensemble classifier that identifies the source of transmission by checking .
상기 앙상블 기반 무선 핑거프린팅 장치는 입력 신호의 에너지를 모니터링하여 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호를 검출하는 시그널 핑거프린트 추출기를 더 포함할 수 있다.The ensemble-based wireless fingerprinting apparatus may further include a signal fingerprint extractor configured to monitor energy of an input signal to detect the rising transition state signal, the steady state signal, and the falling transition state signal.
상기 앙상블 분류기는, 상기 상승 천이상태 신호로부터 추출된 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 제1 분류기, 상기 정상상태 신호로부터 추출된 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 제2 분류기, 및 상기 하강 천이상태 신호로부터 추출된 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 제3 분류기를 포함할 수 있다. The ensemble classifier includes a first classifier that learns through a deep learning classifier using a first spectrogram extracted from the rising transition state signal as an input sample, and a deep learning classifier that uses a second spectrogram extracted from the steady state signal as an input sample. It may include a second classifier that learns through the learning classifier, and a third classifier that learns through the deep learning classifier using the third spectrogram extracted from the falling transition state signal as an input sample.
상기 앙상블 분류기는 상기 제1 분류기, 상기 제2 분류기 및 상기 제3 분류기에서의 결과값을 모두 곱하여 최종 결정 벡터를 구할 수 있다. The ensemble classifier may obtain a final decision vector by multiplying the results of the first classifier, the second classifier, and the third classifier.
본 발명의 또 다른 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법은 입력 신호로부터 상승 천이상태 신호, 정상상태 신호 및 하강 천이상태 신호를 추출하는 단계, 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 학습하는 독립적인 각각의 기본 분류기의 출력으로부터 타겟 송출원이 속할 확률을 계산하는 단계, 및 상기 계산된 확률들 간의 곱에 대한 최대 변수를 확인하여 송출원을 식별하는 단계를 포함한다. A transmission source identification method using an ensemble-based wireless fingerprinting device according to another embodiment of the present invention includes extracting a rising transition state signal, a steady state signal and a falling transition state signal from an input signal, the rising transition state signal, and the Calculating the probability that the target transmitter belongs from the output of each independent basic classifier that learns the spectrogram of each of the steady state signal and the falling transition state signal, and confirming the maximum variable for the product between the calculated probabilities to identify the source of transmission.
상기 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법은 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 추출하는 단계를 더 포함할 수 있다.The method for identifying a transmission source using the ensemble-based wireless fingerprinting device may further include extracting spectrograms of each of the rising transition state signal, the steady state signal, and the falling transition state signal.
상기 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법은 상기 상승 천이상태 신호로부터 추출된 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 단계, 상기 정상상태 신호로부터 추출된 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 단계, 및 상기 하강 천이상태 신호로부터 추출된 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 단계를 포함할 수 있다.The transmission source identification method using the ensemble-based wireless fingerprinting device includes learning through a deep learning classifier using a first spectrogram extracted from the rising transition state signal as an input sample, and a second spectrogram extracted from the steady state signal. It may include learning through a deep learning classifier using a gram as an input sample, and learning through a deep learning classifier using a third spectrogram extracted from the falling transition state signal as an input sample.
상기 입력 신호의 에너지를 모니터링하여 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호를 검출할 수 있다.By monitoring the energy of the input signal, the rising transition state signal, the steady state signal, and the falling transition state signal may be detected.
물리 계층에서 상기 입력 신호를 복조하여 시간 영역에서의 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호를 추출할 수 있다.The physical layer may demodulate the input signal to extract the rising transition state signal, the steady state signal, and the falling transition state signal in the time domain.
상승 천이상태 신호, 정상상태 신호 및 하강 천이상태 신호를 동시에 사용하여 종합적으로 결정함으로써 시그널 핑거프린트의 효과, 즉 송출원 식별 정확도를 향상시킬 수 있다.By using the rising transition state signal, the steady state signal and the falling transition state signal at the same time and determining it comprehensively, the effect of the signal fingerprint, that is, the source identification accuracy, can be improved.
즉, 단일 시그널 핑거프린트가 아닌 다수의 시그널 핑거프린트를 독립적인 분류기를 통해 학습함으로써 송출원 내의 비선형적 특성의 원인을 다양하고 공평하게 분석할 수 있다. In other words, by learning multiple signal fingerprints instead of a single signal fingerprint through an independent classifier, the causes of nonlinear characteristics in the transmission source can be analyzed in a variety and fair manner.
도 1은 본 발명의 일 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치를 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 시그널 핑거프린트 추출 과정을 나타내는 예시도이다.
도 3은 본 발명의 일 실시예에 따른 시그널 핑거프린트 추출 과정의 의사 코드(pseudo code)를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 특징 추출 과정을 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 앙상블 분류기를 나타내는 블록도이다.
도 6은 일 비교예에 따른 앙상블 접근법을 나타내는 블록도이다.
도 7은 일 비교예에 따른 무선 핑거프린팅 방법을 나타내는 블록도이다.
도 8은 MAC 계층에서 무선 핑거프린팅을 수행하는 일 예를 나타내는 예시도이다.
도 9는 물리 계층에서 무선 핑거프린팅을 수행하는 일 예를 나타내는 예시도이다.
도 10은 본 발명의 일 실시예에 따른 앙상블 분류기의 식별 정확도를 실험한 결과를 나타내는 그래프이다.1 is a block diagram illustrating an ensemble-based wireless fingerprinting apparatus according to an embodiment of the present invention.
2 is an exemplary diagram illustrating a signal fingerprint extraction process according to an embodiment of the present invention.
3 is an exemplary diagram illustrating a pseudo code of a signal fingerprint extraction process according to an embodiment of the present invention.
4 is an exemplary diagram illustrating a feature extraction process according to an embodiment of the present invention.
5 is a block diagram illustrating an ensemble classifier according to an embodiment of the present invention.
6 is a block diagram illustrating an ensemble approach according to a comparative example.
7 is a block diagram illustrating a wireless fingerprinting method according to a comparative example.
8 is an exemplary diagram illustrating an example of performing wireless fingerprinting in the MAC layer.
9 is an exemplary diagram illustrating an example of performing wireless fingerprinting in a physical layer.
10 is a graph showing the results of testing the identification accuracy of the ensemble classifier according to an embodiment of the present invention.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다.Hereinafter, with reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. The present invention may be embodied in several different forms and is not limited to the embodiments described herein.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.In order to clearly explain the present invention, parts irrelevant to the description are omitted, and the same reference numerals are assigned to the same or similar components throughout the specification.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.In addition, throughout the specification, when a part "includes" a certain component, this means that other components may be further included, rather than excluding other components, unless otherwise stated.
이하, 도 1 내지 5을 참조하여 본 발명의 일 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법에 대하여 설명한다. Hereinafter, an ensemble-based wireless fingerprinting apparatus and a transmission source identification method using the same according to an embodiment of the present invention will be described with reference to FIGS. 1 to 5 .
도 1은 본 발명의 일 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치를 나타내는 블록도이다.1 is a block diagram illustrating an ensemble-based wireless fingerprinting apparatus according to an embodiment of the present invention.
도 1을 참조하면, 앙상블 기반 무선 핑거프린팅 장치(100)는 시그널 핑거프린트 추출기(110), 특징 추출기(120) 및 앙상블 분류기(130)를 포함한다. Referring to FIG. 1 , the ensemble-based
시그널 핑거프린트 추출기(110)는 입력 신호로부터 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 추출한다. 입력 신호는 송출원에서 송출된 무선 전파 신호일 수 있다. 시그널 핑거프린트 추출기(110)가 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 추출하는 과정에 대해서는 도 2 및 3을 참조하여 더욱 상세하게 설명한다.The
특징 추출기(120)는 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 각각의 특징을 추출한다. 특징 추출기(120)는 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 각각의 특징으로 각각의 스펙트로그램(Spectrogram)을 추출할 수 있다. 특징 추출기(120)가 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 각각의 스펙트로그램을 추출하는 과정에 대해서는 도 4를 참조하여 더욱 상세하게 설명한다.The
앙상블 분류기(130)는 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 각각의 스펙트로그램을 독립적인 각각의 기본 분류기(base classifier)를 통해 학습하고, 타겟 송출원에 속할 확률을 각각의 기본 분류기의 출력으로부터 계산한 후 각 확률들 간의 곱에 대한 최대 변수를 확인함으로써 송출원을 식별할 수 있다. 앙상블 분류기(130)가 송출원을 식별하는 과정에 대해서는 도 5를 참조하여 더욱 상세하게 설명한다.The
도 2는 본 발명의 일 실시예에 따른 시그널 핑거프린트 추출 과정을 나타내는 예시도이다. 도 3은 본 발명의 일 실시예에 따른 시그널 핑거프린트 추출 과정의 의사 코드(pseudo code)를 나타내는 예시도이다.2 is an exemplary diagram illustrating a signal fingerprint extraction process according to an embodiment of the present invention. 3 is an exemplary diagram illustrating a pseudo code of a signal fingerprint extraction process according to an embodiment of the present invention.
도 2 및 3을 참조하면, 시그널 핑거프린트 추출 과정은 입력 신호(Hop signal)로부터 목표로하는 시그널 핑거프린트를 추출하는 신호처리 과정이다. 즉, 시그널 핑거프린트 추출 과정은 상승 천이상태(RT), 정상상태(SS) 및 하강 천이상태(FT) 중 적어도 하나를 추출하는 신호처리 과정이다. 시그널 핑거프린트 추출 과정의 입력 신호 및 결과 신호는 도 2에 예시되어 있으며, 시그널 핑거프린트 추출 과정의 의사 코드는 도 3에 예시되어 있다.2 and 3 , the signal fingerprint extraction process is a signal processing process for extracting a target signal fingerprint from an input signal (hop signal). That is, the signal fingerprint extraction process is a signal processing process for extracting at least one of a rising transition state (RT), a steady state (SS), and a falling transition state (FT). The input signal and the result signal of the signal fingerprint extraction process are illustrated in FIG. 2 , and the pseudo code of the signal fingerprint extraction process is illustrated in FIG. 3 .
시그널 핑거프린트 추출 과정은 기본적으로 잡음 신호 간 RF 신호의 존재 여부를 확인하는 신호 감지(signal detection) 과정과 밀접하다. 신호 감지 방법에는 상호 상관(cross correlation), 헤더 코드 감지(header code detection), 위상 루프 감지(phase loop detection), 에너지 감지(energy detection) 등 다양한 방법이 존재한다. The signal fingerprint extraction process is basically close to the signal detection process, which checks whether an RF signal exists between noise signals. A signal detection method includes various methods such as cross correlation, header code detection, phase loop detection, and energy detection.
본 발명의 실시예에서는 빠른 신호의 검출을 위한 l2 norm energy 기반 시그널 핑거프린트(SF) 검출 과정을 사용한다. 자세한 방법은 다음과 같다. 상승 천이상태(RT) 신호는 (잡음 신호로부터) RF 신호에서의 실제 통신이 이뤄지는 정상상태(SS) 신호까지 도달하는 신호 상승 구간으로 정의된다. 이를 반영하여, 입력 신호의 l2 norm energy를 모니터링하고, 일정 구간의 신호 에너지가 이전 구간 대비 10% 이상 상승할 경우를 상승 천이상태(RT) 구간(신호)으로 검출할 수 있다. 하강 천이상태(FT)는 정상상태(SS) 구간을 통해 통신이 종료된 후 (잡음 신호까지) 도달하는 신호 하강 구간으로 정의된다. 이를 반영하여, 입력 신호의 에너지가 이전 구간 대비 10% 이상 하강할 경우를 하강 천이상태(FT) 구간(신호)으로 검출할 수 있다. 정상상태(SS) 신호는 상승 천이상태(RT) 구간과 하강 천이상태(FT) 구간 사이의 통신을 위한 RF 신호 구간으로 정의된다. In an embodiment of the present invention, a signal fingerprint (SF) detection process based on l2 norm energy for fast signal detection is used. The detailed method is as follows. The rising transition state (RT) signal is defined as the signal rising period that reaches (from the noise signal) to the steady state (SS) signal where the actual communication in the RF signal is made. Reflecting this, the l2 norm energy of the input signal may be monitored, and a case in which the signal energy of a certain section rises by 10% or more compared to the previous section may be detected as a rising transition state (RT) section (signal). The falling transition state (FT) is defined as a signal falling section that arrives (up to the noise signal) after communication is terminated through the steady state (SS) section. Reflecting this, when the energy of the input signal falls by 10% or more compared to the previous section, it can be detected as a falling transition state (FT) section (signal). The steady state (SS) signal is defined as an RF signal period for communication between a rising transition state (RT) period and a falling transition state (FT) period.
이러한 정의에 따라 시그널 핑거프린트 추출기(110)는 입력 신호로부터 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 각각을 추출할 수 있다.According to this definition, the
도 4는 본 발명의 일 실시예에 따른 특징 추출 과정을 나타내는 예시도이다.4 is an exemplary diagram illustrating a feature extraction process according to an embodiment of the present invention.
도 4를 참조하면, 특징 추출 과정은 시그널 핑거프린트 추출 과정에서 검출된 시그널 핑거프린트로부터 분류 결과를 극대화(높은 분류 정확도를 획득)할 수 있는 특징 도메인(feature domain)으로의 추가적인 계산 과정을 의미한다. 특징 추출 방법으로 통계적 모멘텀(Statistical momentum), 1D 신호 분할(signal segmentation) 등의 다양한 방법이 있다. 본 발명의 실시예에서는 RF 신호의 시간 및 주파수 도메인에서의 전력 밀도 행동(power-density behavior)이 중요하다고 판단하여 특징 추출 방법으로 신호의 스펙트로그램을 계산한다. Referring to FIG. 4 , the feature extraction process refers to an additional calculation process from the signal fingerprint detected in the signal fingerprint extraction process to a feature domain capable of maximizing the classification result (obtaining high classification accuracy). . As a feature extraction method, there are various methods such as statistical momentum and 1D signal segmentation. In the embodiment of the present invention, it is determined that the power-density behavior of the RF signal in the time and frequency domains is important, and the spectrogram of the signal is calculated by the feature extraction method.
신호의 스펙트로그램 계산을 위해, 수학식 1과 같이 단시간 푸리에 변환(Short-Time Fourier Transform, STFT)을 사용할 수 있으며, 신호 샘플링 속도(signal sampling rate)에 맞춰 4096 point FFT 및 1024 point window size를 512 point overlap하여 계산할 수 있다. For the spectrogram calculation of the signal, a Short-Time Fourier Transform (STFT) can be used as shown in
도 5는 본 발명의 일 실시예에 따른 앙상블 분류기를 나타내는 블록도이다.5 is a block diagram illustrating an ensemble classifier according to an embodiment of the present invention.
도 5를 참조하면, 앙상블 분류기(130)는 상승 천이상태(RT) 기반의 제1 분류기(131), 정상상태(SS) 기반의 제2 분류기(132) 및 하강 천이상태(FT) 기반의 제3 분류기(133)를 포함한다. Referring to FIG. 5 , the
제1 분류기(131)는 상승 천이상태(RT) 신호로부터 추출된 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기(deep learning classifier)를 통해 학습한다. 제2 분류기(132)는 정상상태(SS) 신호로부터 추출된 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습한다. 제3 분류기(133)는 하강 천이상태(FT) 신호로부터 추출된 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습한다. 제1 분류기(131), 제2 분류기(132) 및 제3 분류기(133)는 다양한 형태의 딥러닝 분류기를 적용할 수 있다. 도 5에서는 인셉션 블록(Inception block)에 기반한 딥 인셉션 네트워크(Deep Inception Network) 구조의 기본 분류기를 예시하고 있다. The
앙상블 분류기(130)는 타겟 송출원 k가 속할 확률 p(ck; xss)를 제1 분류기(131), 제2 분류기(132) 및 제3 분류기(133) 각각의 출력 y로부터 계산할 수 있다. 그리고 앙상블 분류기(130)는 제1 분류기(131), 제2 분류기(132) 및 제3 분류기(133) 각각의 출력으로부터 계산된 확률들 간의 곱에 대한 최대 변수 k를 확인함으로써 송출원을 식별할 수 있다. The
더욱 상세하게, 앙상블 분류기(130)는 수학식 2 및 3에 따라 최종 결정(송출원 식별)을 내릴 수 있다.In more detail, the
여기서, SF는 시그널 핑거프린트들(Signal Fingerprints)을 의미하고, 가용 가능한 시그널 핑거프린트들의 세트에 대한 요소이다. 즉, 
앙상블 분류기(130)는 기본 분류기인 제1 분류기(131), 제2 분류기(132) 및 제3 분류기(133)에서의 결과값을 모두 곱(product)하여 최종 결정 벡터를 구할 수 있다. 즉, 수학식 3은 
이하, 도 6을 참조하여 본 발명의 실시예와 다른 앙상블 접근법에 대한 비교예에 대하여 설명한다.Hereinafter, with reference to FIG. 6, a comparative example of the embodiment of the present invention and other ensemble approaches will be described.
도 6은 일 비교예에 따른 앙상블 접근법을 나타내는 블록도이다.6 is a block diagram illustrating an ensemble approach according to a comparative example.
도 6을 참조하면, 일반적인 앙상블 접근법(Ensemble approach)은 동일한 데이터 세트에 대한 다수의 약한 추정기(weak estimator)를 이용하여 하나의 추정기를 사용할 때 보다 더 좋은 결과를 이끌어내는 방식을 말한다.Referring to FIG. 6 , a general ensemble approach refers to a method that uses multiple weak estimators for the same data set and derives better results than when one estimator is used.
비교예에 따른 앙상블 분류기는 동일한 정상상태(SS) 신호로부터 개별 분류기(classifier 1, classifier 2, classifier 3)에 대한 학습을 진행한다. 하지만, 이는 정상상태(SS) 신호에 대한 추정만 여러 번 수행할 뿐이고 하나의 시그널 핑거프린트를 기준으로 설계된 방법이라 할 수 있으며, 본 발명의 실시예에 따른 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 종합적으로 분석하여 결정하는 방법이라 할 수 없다. The ensemble classifier according to the comparative example proceeds to learn individual classifiers (
본 발명의 실시예에 따른 앙상블 분류기(130)는 입력된 전파 신호로부터 목표하는 개별 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 추출하고, 각각의 스펙트로그램을 계산하여 이를 학습하고, 그 결과를 종합하여 더 좋은 최종 결과를 도출해 낼 수 있다. 이러한 설계를 통해, 다수의 시그널 핑거프린트의 특성을 독립적으로 분석하고, 그 결과를 종합적으로 이용할 수 있다.The
이하, 도 7을 참조하여 본 발명의 실시예와 다른 무선 핑거프린팅 방법에 대한 비교예에 대하여 설명한다. Hereinafter, a comparative example of an embodiment of the present invention and another wireless fingerprinting method will be described with reference to FIG. 7 .
도 7은 일 비교예에 따른 무선 핑거프린팅 방법을 나타내는 블록도이다.7 is a block diagram illustrating a wireless fingerprinting method according to a comparative example.
도 7을 참조하면, 비교예에 따른 다수의 특성인자를 이용한 무선 무선 핑거프린팅 방법은 수신된 전파 신호로부터 목표하는 시그널 핑거프린트인 상승 천이상태(RT) 신호 및 정상상태(SS) 신호를 계산하고, 각 신호의 주파수 계수(frequency coefficient)를 구한 후 이를 연관시켜 SRC(Sparse Representation Classifier)라는 분류 기술로 식별하는 방식이다. 이와 같은 접근을 통해, 다수의 시그널 핑거프린트에 대한 분석을 반영하였으며, 다양한 환경에서의 높은 식별 정확도 달성을 목표하고 있다.Referring to FIG. 7 , in the wireless wireless fingerprinting method using a plurality of characteristic factors according to a comparative example, a rising transition state (RT) signal and a steady state (SS) signal, which are target signal fingerprints, are calculated from a received radio signal, and , is a method of identifying the frequency coefficients of each signal by correlating them and then identifying them with a classification technique called Sparse Representation Classifier (SRC). Through this approach, analysis of multiple signal fingerprints is reflected, and high identification accuracy in various environments is aimed.
본 발명의 실시예와 비교예의 무선 핑거프린팅 방법의 차이는 분류기의 구조에서 비롯된다. 비교예에 따른 무선 핑거프린팅 방법으로 분석할 경우, 다수의 시그널 핑거프린트를 반영한다는 점에서 이점을 얻을 수 있으나, 결국에는 이를 분석하여 식별하는 분류기는 단일 구조이다. 이는 시그널 핑거프린트들 간의 신호 세기가 서로 비슷할 경우에는 괜찮으나, 신호 차이가 클 경우에는 주요한 시그널 핑거프린트에만 의존하여 분석이 수행된다는 단점이 존재한다. 즉, 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 복합적으로 분석하는 것이 아닌, 셋 중에 가장 신호 세기가 큰 시그널 핑거프린트를 중점으로 최종 결정이 수행되는 것이다. The difference between the wireless fingerprinting method of the embodiment of the present invention and the comparative example comes from the structure of the classifier. When analyzing by the wireless fingerprinting method according to the comparative example, an advantage can be obtained in that a plurality of signal fingerprints are reflected, but in the end, a classifier that analyzes and identifies them has a single structure. This is okay when the signal strengths between the signal fingerprints are similar to each other, but when the signal difference is large, there is a disadvantage that the analysis is performed depending on only the main signal fingerprint. That is, the final decision is made focusing on the signal fingerprint with the highest signal strength among the three, rather than complex analysis of the rising transition state (RT) signal, the steady state (SS) signal, and the falling transition state (FT) signal. will be.
반면에 본 발명의 실시예에 따른 무선 핑거프린팅 방법에서는 분류기의 구조가 완전히 독립되어 있다. 하나의 기본 분류기는 목표하는 시그널 핑거프린트만을 분석하여 송출원에 대한 확률을 추정하고, 이렇게 개별 시그널 핑거프린트별로 추정된 확률을 종합적으로 분석하여 최종 결정을 내림으로써, 시그널 핑거프린트 간의 신호 차이가 클 때도 공평하게(fairness) 시그널 핑거프린트들을 비교할 수 있다.On the other hand, in the wireless fingerprinting method according to the embodiment of the present invention, the structure of the classifier is completely independent. One basic classifier analyzes only the target signal fingerprint to estimate the probability of the source, and then comprehensively analyzes the estimated probability for each individual signal fingerprint to make a final decision. It is also possible to compare signal fingerprints in fairness.
한편, 본 발명의 실시예에 따른 무선 핑거프린팅 방법은 물리 계층에서 수행될 수 있으며, 이에 따라 기존에 비해 빠르게 송출원을 식별할 수 있다. 이에 대하여 도 8 및 9를 참조하여 설명한다.On the other hand, the wireless fingerprinting method according to an embodiment of the present invention may be performed in the physical layer, and accordingly, it is possible to identify a transmission source faster than before. This will be described with reference to FIGS. 8 and 9 .
도 8은 MAC 계층에서 무선 핑거프린팅을 수행하는 일 예를 나타내는 예시도이다. 도 9는 물리 계층에서 무선 핑거프린팅을 수행하는 일 예를 나타내는 예시도이다.8 is an exemplary diagram illustrating an example of performing wireless fingerprinting in the MAC layer. 9 is an exemplary diagram illustrating an example of performing wireless fingerprinting in a physical layer.
도 8 및 9를 참조하면, 일반적으로 통신 시스템은 도 8에 예시한 바와 같이 신호 송출원 식별을 위하여 MAC 헤더(header)에서의 ID 정보를 분석한다. 이에 따라, MAC 계층까지의 복조, 비트 레벨 디코딩(bit level decoding) 및 헤더 해독(header decryption) 과정이 필요하다. 하지만 이는 시긴트(SIGINT, signal intelligence) 목적, 즉 프로토콜(protocol)에 대한 상세 정보를 모르는 공격자 입장에서는 쉽지 않은 일이다. Referring to FIGS. 8 and 9 , in general, a communication system analyzes ID information in a MAC header to identify a signal source as illustrated in FIG. 8 . Accordingly, demodulation up to the MAC layer, bit level decoding, and header decryption are required. However, this is not an easy task for an attacker who does not know the details of the SIGINT (signal intelligence) purpose, that is, the protocol.
본 발명의 실시예에 따른 무선 핑거프린팅 방법은 도 9에 예시한 바와 같이 디코딩 및 해독 과정이 필요 없는 시간 영역에서의 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 활용함으로써 물리 계층에서의 정보만으로 신호 송출원을 더욱 빨리 식별할 수 있다. As illustrated in FIG. 9, the wireless fingerprinting method according to an embodiment of the present invention provides a rising transition state (RT) signal, a steady state (SS) signal, and a falling transition state (FT) in the time domain that does not require decoding and decoding processes. ) signal, the source of the signal can be identified more quickly with only information in the physical layer.
이하, 도 10을 참조하여 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 각각의 스펙트로그램을 계산하여 이를 학습하고, 그 결과를 종합하는 본 발명의 실시예에 따른 무선 핑거프린팅 방법의 효과에 대하여 설명한다. Hereinafter, with reference to FIG. 10 , an embodiment of the present invention in which spectrograms of a rising transition state (RT) signal, a steady state (SS) signal, and a falling transition state (FT) signal are calculated and learned, and the results are synthesized The effect of the wireless fingerprinting method according to the present invention will be described.
도 10은 본 발명의 일 실시예에 따른 앙상블 분류기의 식별 정확도를 실험한 결과를 나타내는 그래프이다.10 is a graph showing the results of testing the identification accuracy of the ensemble classifier according to an embodiment of the present invention.
도 10을 참조하면, 본 발명의 실시예에 따른 송출원 식별 방법은 무선 아날로그 신호에서 검출 가능한 시그널 핑거프린트들, 즉 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 이용한 앙상블 접근법을 포함한다. 송출원 식별에 사용하는 시그널 핑거프린트들의 조합에 따라 앙상블 분류기(130)의 식별 정확도가 달라질 수 있다. Referring to FIG. 10, in the method for identifying a transmitter according to an embodiment of the present invention, signal fingerprints detectable in a wireless analog signal, that is, a rising transition state (RT) signal, a steady state (SS) signal, and a falling transition state (FT) ) ensemble approaches using signals. The identification accuracy of the
상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호의 조합에 따른 식별 정확도를 실험한 결과를 보면, 상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 모드 사용한 Ensen(초록색), 입력 신호를 바로 사용한 Hop(하늘색), 그리고 정상상태(SS) 신호를 사용한 SS(보라색)의 성능 결과가 높게 형성되는 것을 알 수 있다. Looking at the results of testing the identification accuracy according to the combination of the rising transition state (RT) signal, the steady state (SS) signal, and the falling transition state (FT) signal, the rising transition state (RT) signal, the steady state (SS) signal and It can be seen that the performance results of Ensen (green) using the falling transition state (FT) signal as a mode, Hop (light blue) using the input signal immediately, and SS (purple) using the steady state (SS) signal are high.
이 중에서도 본 발명의 실시예에 따른 앙상블 접근법을 사용한 송출원 식별 방법이 다른 방법에 대비하여 1~2% 이상 식별 정확도가 높은 것을 확인할 수 있다.Among them, it can be confirmed that the identification accuracy of the transmission source using the ensemble approach according to the embodiment of the present invention is higher than that of other methods by 1-2% or more.
상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호의 조합에 따른 기대 효과는 다음과 같다.The expected effects of the combination of the rising transition state (RT) signal, the steady state (SS) signal, and the falling transition state (FT) signal are as follows.
상승 천이상태(RT) 신호, 정상상태(SS) 신호 및 하강 천이상태(FT) 신호를 모두 사용 시(Ensen), 송출원 식별 성능이 가장 좋다. 심지어, 시그널 핑거프린트들을 따로 추출하지 않은 입력 신호(또는 홉 신호(Hop signal)) 경우보다 더 나은 성능을 보여준다. 이는 주로 장치 인증(Device Authentication)에 사용될 수 있으며, 아날로그 신호에서의 복제 어려움에 기반하여, IoT 환경에서의 물리 계층에서의 이중 보안 시스템 등에 사용될 수 있다.When the rising transition state (RT) signal, the steady state (SS) signal, and the falling transition state (FT) signal are all used (Ensen), the transmission source identification performance is the best. Even, it shows better performance than the case of an input signal (or hop signal) in which signal fingerprints are not separately extracted. This can be mainly used for device authentication, and based on the difficulty of replication in analog signals, it can be used in a dual security system in the physical layer in the IoT environment.
상승 천이상태(RT) 신호 및 하강 천이상태(FT) 신호 사용 시(Ensen(RTFT))는 신호의 앞부분 및 끝부분만을 사용하여 인증을 수행하는 경우로써, 정상상태(SS) 신호에 추가적인 과정을 수행할 때 사용될 수 있으며, 전자전 환경에서의 재밍(Jamming)을 일예로 들 수 있다. 통신 신호 재밍 시 적군의 정보 공유를 방해하기 위해, 주 통신이 이뤄지는 정상상태(SS) 신호를 재밍하는 것이 중요하다. 이때, 재밍 신호에 대한 ID 확인 과정을 통해 올바르게 재밍이 수행 중인지가 추적될 수 있다.When using a rising transition state (RT) signal and a falling transition state (FT) signal (Ensen(RTFT)), authentication is performed using only the front and the end of the signal. It can be used when performing, for example, jamming in an electronic warfare environment. When jamming the communication signal, it is important to jam the steady state (SS) signal through which the main communication takes place in order to prevent the enemy from sharing information. In this case, it may be tracked whether jamming is being performed correctly through an ID verification process for the jamming signal.
상승 천이상태(RT) 신호 및 정상상태(SS) 신호 사용 시, 또는 정상상태(SS) 신호 및 하강 천이상태(FT) 신호 사용 시는 신호의 앞부분 또는 뒷부분만 활용하여 ID를 확인하는 과정을 의미하며, 마찬가지로 인증 목적으로 사용될 수 있으며, 앞서 설명한 활용도에 다양하게 사용될 수 있다. 다만, 일부 시그널 핑거프린트가 제외됨에 따라 식별 성능이 열화될 수 있으므로, 특수한 경우가 아닌 이상 본 발명의 실시예와 같이 가용 가능한 시그널 핑거프린트를 모두 활용하는 것이 올바른 접근 방법이라 할 수 있다.When using a rising transition state (RT) signal and a steady state (SS) signal, or when using a steady state (SS) signal and a falling transition state (FT) signal, it refers to the process of checking the ID by using only the front or rear part of the signal and can be used for authentication purposes as well, and can be used in various ways for the above-described utilization. However, since identification performance may be deteriorated as some signal fingerprints are excluded, it can be said that the correct approach is to utilize all available signal fingerprints as in the embodiment of the present invention, unless it is a special case.
본 발명의 실시예에 따른 앙상블 기반 무선 핑거프린팅 장치(100) 및 이를 이용한 송출원 식별 방법은 하드웨어나 소프트웨어, 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 예를 들어, 앙상블 기반 무선 핑거프린팅 장치(100) 및 이를 이용한 송출원 식별 방법의 적어도 일부는 집적회로(IC)와 같이 하드웨어적으로 구현되거나, 컴퓨터 프로그램과 같이 소프트웨어적으로 구현되거나, 또는 컴퓨터 프로그램이 기록된 기록매체와 같이 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.The ensemble-based
지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. The drawings and detailed description of the described invention referenced so far are merely exemplary of the present invention, which are only used for the purpose of explaining the present invention, and are used to limit the meaning or limit the scope of the present invention described in the claims. it is not Therefore, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be defined by the technical spirit of the appended claims.
100: 앙상블 기반 무선 핑거프린팅 장치
110: 시그널 핑거프린트 추출기
120: 특징 추출기
130: 앙상블 분류기
131: 제1 분류기
132: 제2 분류기
133: 제3 분류기100: ensemble-based wireless fingerprinting device
110: signal fingerprint extractor
120: feature extractor
130: ensemble classifier
131: first classifier
132: second classifier
133: third classifier
Claims (13)
상기 상승 천이상태 신호의 제1 스펙트로그램을 학습하는 독립적인 제1 분류기의 출력으로부터 타겟 송출원이 속할 제1 확률을 계산하고, 상기 정상상태 신호의 제2 스펙트로그램을 학습하는 독립적인 제2 분류기의 출력으로부터 상기 타겟 송출원이 속할 제2 확률을 계산하고, 상기 하강 천이상태 신호의 제3 스펙트로그램을 학습하는 독립적인 제3 분류기의 출력으로부터 상기 타겟 송출원이 속할 제3 확률을 계산하고, 상기 제1 확률, 상기 제2 확률 및 상기 제3 확률을 모두 곱한 값에 대한 최대 변수를 확인하여 송출원을 식별하는 앙상블 분류기를 포함하는 앙상블 기반 무선 핑거프린팅 장치.a signal fingerprint extractor for extracting a rising transition state signal, a steady state signal, and a falling transition state signal from the input signal; and
An independent second classifier that calculates a first probability to which a target transmitter belongs from an output of an independent first classifier that learns a first spectrogram of the rising transition state signal, and learns a second spectrogram of the steady state signal calculating a second probability to which the target transmitter belongs from the output of , and calculating a third probability to which the target transmitter belongs from the output of an independent third classifier that learns a third spectrogram of the falling transition state signal, and an ensemble classifier for identifying a transmission source by identifying a maximum variable for a value obtained by multiplying all of the first probability, the second probability, and the third probability.
상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 추출하는 특징 추출기를 더 포함하는 앙상블 기반 무선 핑거프린팅 장치.According to claim 1,
The ensemble-based wireless fingerprinting apparatus further comprising a feature extractor for extracting spectrograms of each of the rising transition state signal, the steady state signal, and the falling transition state signal.
상기 제1 분류기는 상기 상승 천이상태 신호로부터 추출된 상기 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하고,
상기 제2 분류기는 상기 정상상태 신호로부터 추출된 상기 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하고,
상기 제3 분류기는 상기 하강 천이상태 신호로부터 추출된 상기 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 앙상블 기반 무선 핑거프린팅 장치.According to claim 1,
The first classifier learns through a deep learning classifier using the first spectrogram extracted from the rising transition state signal as an input sample,
The second classifier learns through a deep learning classifier using the second spectrogram extracted from the steady-state signal as an input sample,
The third classifier is an ensemble-based wireless fingerprinting device that learns through a deep learning classifier using the third spectrogram extracted from the falling transition state signal as an input sample.
상기 앙상블 분류기는 상기 제1 분류기, 상기 제2 분류기 및 상기 제3 분류기에서의 결과값을 모두 곱하여 최종 결정 벡터를 구하는 앙상블 기반 무선 핑거프린팅 장치.4. The method of claim 3,
The ensemble classifier is an ensemble-based wireless fingerprinting device for obtaining a final decision vector by multiplying all the results of the first classifier, the second classifier, and the third classifier.
상기 상승 천이상태 신호의 제1 스펙트로그램을 학습하는 독립적인 제1 분류기의 출력으로부터 타겟 송출원이 속할 제1 확률을 계산하고, 상기 정상상태 신호의 제2 스펙트로그램을 학습하는 독립적인 제2 분류기의 출력으로부터 상기 타겟 송출원이 속할 제2 확률을 계산하고, 상기 하강 천이상태 신호의 제3 스펙트로그램을 학습하는 독립적인 제3 분류기의 출력으로부터 상기 타겟 송출원이 속할 제3 확률을 계산하고, 상기 제1 확률, 상기 제2 확률 및 상기 제3 확률을 모두 곱한 값에 대한 최대 변수를 확인하여 송출원을 식별하는 앙상블 분류기를 포함하는 앙상블 기반 무선 핑거프린팅 장치.a feature extractor for extracting spectrograms of a rising transition state signal, a steady state signal, and a falling transition state signal in a time domain of a signal demodulated in a physical layer; and
An independent second classifier that calculates a first probability to which a target transmitter belongs from an output of an independent first classifier that learns a first spectrogram of the rising transition state signal, and learns a second spectrogram of the steady state signal calculating a second probability to which the target transmitter belongs from the output of , and calculating a third probability to which the target transmitter belongs from the output of an independent third classifier that learns a third spectrogram of the falling transition state signal, and an ensemble classifier for identifying a transmission source by identifying a maximum variable for a value obtained by multiplying all of the first probability, the second probability, and the third probability.
입력 신호의 에너지를 모니터링하여 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호를 검출하는 시그널 핑거프린트 추출기를 더 포함하는 앙상블 기반 무선 핑거프린팅 장치.6. The method of claim 5,
The ensemble-based wireless fingerprinting apparatus further comprising a signal fingerprint extractor configured to monitor the energy of an input signal to detect the rising transition state signal, the steady state signal, and the falling transition state signal.
상기 제1 분류기는 상기 상승 천이상태 신호로부터 추출된 상기 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하고,
상기 제2 분류기는 상기 정상상태 신호로부터 추출된 상기 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하고,
상기 제3 분류기는 상기 하강 천이상태 신호로부터 추출된 상기 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 앙상블 기반 무선 핑거프린팅 장치.6. The method of claim 5,
The first classifier learns through a deep learning classifier using the first spectrogram extracted from the rising transition state signal as an input sample,
The second classifier learns through a deep learning classifier using the second spectrogram extracted from the steady-state signal as an input sample,
The third classifier is an ensemble-based wireless fingerprinting device that learns through a deep learning classifier using the third spectrogram extracted from the falling transition state signal as an input sample.
상기 앙상블 분류기는 상기 제1 분류기, 상기 제2 분류기 및 상기 제3 분류기에서의 결과값을 모두 곱하여 최종 결정 벡터를 구하는 앙상블 기반 무선 핑거프린팅 장치.8. The method of claim 7,
The ensemble classifier is an ensemble-based wireless fingerprinting device for obtaining a final decision vector by multiplying all the results of the first classifier, the second classifier, and the third classifier.
상기 상승 천이상태 신호의 제1 스펙트로그램을 학습하는 독립적인 제1 분류기의 출력으로부터 타겟 송출원이 속할 제1 확률을 계산하고, 상기 정상상태 신호의 제2 스펙트로그램을 학습하는 독립적인 제2 분류기의 출력으로부터 상기 타겟 송출원이 속할 제2 확률을 계산하고, 상기 하강 천이상태 신호의 제3 스펙트로그램을 학습하는 독립적인 제3 분류기의 출력으로부터 상기 타겟 송출원이 속할 제3 확률을 계산하는 단계; 및
상기 제1 확률, 상기 제2 확률 및 상기 제3 확률을 모두 곱한 값에 대한 최대 변수를 확인하여 송출원을 식별하는 단계를 포함하는 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법.extracting a rising transition state signal, a steady state signal and a falling transition state signal from the input signal;
An independent second classifier that calculates a first probability to which a target transmitter belongs from an output of an independent first classifier that learns a first spectrogram of the rising transition state signal, and learns a second spectrogram of the steady state signal calculating a second probability to which the target transmitter belongs from an output of , and calculating a third probability to which the target transmitter belongs from an output of an independent third classifier that learns a third spectrogram of the falling transition state signal ; and
and identifying a transmission source by checking a maximum variable for a value obtained by multiplying all of the first probability, the second probability, and the third probability.
상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호 각각의 스펙트로그램을 추출하는 단계를 더 포함하는 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법.10. The method of claim 9,
The method of identifying a transmitter using an ensemble-based wireless fingerprinting device further comprising the step of extracting spectrograms of each of the rising transition state signal, the steady state signal, and the falling transition state signal.
상기 상승 천이상태 신호로부터 추출된 상기 제1 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 단계;
상기 정상상태 신호로부터 추출된 상기 제2 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 단계; 및
상기 하강 천이상태 신호로부터 추출된 상기 제3 스펙트로그램을 입력 샘플로 하여 딥러닝 분류기를 통해 학습하는 단계를 포함하는 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법.10. The method of claim 9,
learning through a deep learning classifier using the first spectrogram extracted from the rising transition state signal as an input sample;
learning through a deep learning classifier using the second spectrogram extracted from the steady-state signal as an input sample; and
and learning through a deep learning classifier using the third spectrogram extracted from the falling transition state signal as an input sample.
상기 입력 신호의 에너지를 모니터링하여 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호를 검출하는 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법.10. The method of claim 9,
A transmission source identification method using an ensemble-based wireless fingerprinting device that monitors the energy of the input signal to detect the rising transition state signal, the steady state signal, and the falling transition state signal.
물리 계층에서 상기 입력 신호를 복조하여 시간 영역에서의 상기 상승 천이상태 신호, 상기 정상상태 신호 및 상기 하강 천이상태 신호를 추출하는 앙상블 기반 무선 핑거프린팅 장치를 이용한 송출원 식별 방법.10. The method of claim 9,
A transmission source identification method using an ensemble-based wireless fingerprinting device for demodulating the input signal in a physical layer and extracting the rising transition state signal, the steady state signal, and the falling transition state signal in the time domain.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210095830A KR102347174B1 (en) | 2021-07-21 | 2021-07-21 | Ensemble based radio frequency fingerprinting apparatus and method of identifying emitter using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210095830A KR102347174B1 (en) | 2021-07-21 | 2021-07-21 | Ensemble based radio frequency fingerprinting apparatus and method of identifying emitter using the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102347174B1 true KR102347174B1 (en) | 2022-01-03 |
Family
ID=79348452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210095830A KR102347174B1 (en) | 2021-07-21 | 2021-07-21 | Ensemble based radio frequency fingerprinting apparatus and method of identifying emitter using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102347174B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116963074A (en) * | 2023-09-19 | 2023-10-27 | 硕橙（厦门）科技有限公司 | Random fence-based dual-branch enhanced radio frequency signal fingerprint identification method and device |
| KR102627763B1 (en) * | 2023-10-06 | 2024-01-23 | (주)비스타컴 | Hybrid dron defending system based on radio direction finding, location tracking and spoofing signal |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101782493B1 (en) * | 2017-04-18 | 2017-09-27 | 국방과학연구소 | Underwater acoustic projector system and operating method for generating camouflage signal |
| KR20170115253A (en) * | 2016-04-07 | 2017-10-17 | 국방과학연구소 | Method and apparatus for aircraft classification by fusion of high resolution range profile and jet engine localization |
| KR20180025721A (en) * | 2016-09-01 | 2018-03-09 | 국방과학연구소 | Rf fingerprinting apparatus and method using sparse representation classifier technique |
| KR102251381B1 (en) * | 2019-11-22 | 2021-05-12 | 국방과학연구소 | Apparatus and method for ship route prediction |
-
2021
- 2021-07-21 KR KR1020210095830A patent/KR102347174B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170115253A (en) * | 2016-04-07 | 2017-10-17 | 국방과학연구소 | Method and apparatus for aircraft classification by fusion of high resolution range profile and jet engine localization |
| KR20180025721A (en) * | 2016-09-01 | 2018-03-09 | 국방과학연구소 | Rf fingerprinting apparatus and method using sparse representation classifier technique |
| KR101782493B1 (en) * | 2017-04-18 | 2017-09-27 | 국방과학연구소 | Underwater acoustic projector system and operating method for generating camouflage signal |
| KR102251381B1 (en) * | 2019-11-22 | 2021-05-12 | 국방과학연구소 | Apparatus and method for ship route prediction |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116963074A (en) * | 2023-09-19 | 2023-10-27 | 硕橙（厦门）科技有限公司 | Random fence-based dual-branch enhanced radio frequency signal fingerprint identification method and device |
| CN116963074B (en) * | 2023-09-19 | 2023-12-12 | 硕橙（厦门）科技有限公司 | Random fence-based dual-branch enhanced radio frequency signal fingerprint identification method and device |
| KR102627763B1 (en) * | 2023-10-06 | 2024-01-23 | (주)비스타컴 | Hybrid dron defending system based on radio direction finding, location tracking and spoofing signal |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Classification of small UAVs based on auxiliary classifier Wasserstein GANs | |
| KR102347174B1 (en) | Ensemble based radio frequency fingerprinting apparatus and method of identifying emitter using the same | |
| Oyedare et al. | Estimating the required training dataset size for transmitter classification using deep learning | |
| Rajendran et al. | Rf impairment model-based iot physical-layer identification for enhanced domain generalization | |
| Dubendorfer et al. | ZigBee device verification for securing industrial control and building automation systems | |
| de Lima Pinto et al. | A machine learning approach for detecting spoofing attacks in wireless sensor networks | |
| Yuan et al. | Detection of radio transient signal based on permutation entropy and GLRT | |
| Stone et al. | Detecting anomalous programmable logic controller behavior using rf-based hilbert transform features and a correlation-based verification process | |
| Wu et al. | DSLN: Securing Internet of Things through RF fingerprint recognition in low-SNR settings | |
| Guo et al. | Survey of mobile device authentication methods based on RF fingerprint | |
| Kumar et al. | MDI-SS: matched filter detection with inverse covariance matrix-based spectrum sensing in cognitive radio | |
| CN111027614B (en) | Noise enhanced radio frequency fingerprint identification method and device | |
| US9692529B1 (en) | System and method for signal emitter identification using higher-order cumulants | |
| Qian et al. | Modulation classification based on cyclic spectral features and neural network | |
| Juan-ping et al. | Automatic modulation recognition of digital communication signals | |
| Ming et al. | Intrapulse modulation recognition of radar signals based on statistical tests of the time-frequency curve | |
| Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
| Baldini et al. | The application of the symbolic aggregate approximation algorithm (SAX) to radio frequency fingerprinting of IoT devices | |
| KR101858987B1 (en) | Rf fingerprinting apparatus and method using sparse representation classifier technique | |
| Lin et al. | Using SDR Platform to Extract the RF Fingerprint of the Wireless Devices for Device Identification | |
| Fu et al. | Spectrum sensing defending against PUE attack based on fractal dimension | |
| Fadul et al. | An analysis of process parameters for the optimization of specific emitter identification under rayleigh fading | |
| Liu et al. | Modulation classification based on Gaussian mixture models under multipath fading channel | |
| Nooraiepour et al. | A hybrid model-based and learning-based approach for classification using limited number of training samples | |
| Ma et al. | Asynchronous blind modulation classification in the presence of non-gaussian noise |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |