A carregar...
Publicação
Physical Layer Authentication
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.43 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Modern authentication schemes may be unable to uphold security guarantees when faced
with attackers’ ever-increasing computational power. Hence, the need for alternatives (or
complementary schemes) to contemporary authentication processes is on the rise.
The main focus of this dissertation is the study of physical layer authentication, which
relies on the unique characteristics of the transmitted signal in the wireless medium. These
qualities are partially a result of hardware imperfections, thus making them intrinsic to the
device; allowing for their authentication, while also being exceptionally hard to mimick -
requiring more computational power and more precise hardware from the attacker.
This dissertation assesses the reliability of PHY-authentication, and its potential to become
an alternative to cryptographic authentication. To achieve this, we create a testbed of
real transmission data, from eight devices (four Telos B sensors and four Iris sensors),
in a controlled laboratory environment, from which we pull the physical features of the
waveform and process them.
Correlation matrices were employed to assess the relations between each of the devices
and their attributes, two major observations were drawn: the spectrum related features
have stronger links with the devices and the patterns are recognizable across different
transmissions.
Visualization methods were then applied to the dataset: PCA and t-SNE; these evince
through the separability of the different data classes, that Iris sensors are much more
distinguishable than Telos B, as there’s overlapping between data clusters in the latter.
To further assess the success of the physical authentication, three machine learning
classification algorithmswereemployed: RandomForest,kNN, andSVC. The performance
of these models was measured in three scenarios: simple classification, unknown distance
classification and unknown hardware classification. It was noticed that Iris authentication
achieves successful rates in all configurations, with an accuracy always above 96%, but
the same is not true for Telos B. It is also shown that the two sensor types (with unknown
hardware) are easily separable through any of the three Machine Learning classifiers.
Os esquemas de autenticação modernos podem não ser capazes de garantir uma segurança robusta quando confrontados com o poder computacional cada vez maior por parte dos atacantes. Como tal, a necessidade de alternativas (ou esquemas complementares) aos processos de autenticação contemporâneos está a aumentar. O principal objetivo desta dissertação é o estudo da autenticação na camada física, que se baseia nas características únicas do sinal transmitido no ar. Estas resultam parcialmente de imperfeições do hardware, o que as torna intrínsecas ao dispositivo, permitindo a sua autenticação, e ao mesmo tempo são excecionalmente difíceis de imitar - exigindo mais poder computacional e hardware com mais precisão por parte do atacante. Esta dissertação avalia a fiabilidade da autenticação de camada física e o seu potencial para se tornar uma alternativa à autenticação criptográfica. Para tal, criámos um repositório de dados de transmissão reais, a partir de oito dispositivos (quatro Telos B e quatro Iris), num ambiente de laboratório controlado; a partir do qual extraímos as características físicas do sinal. Foram utilizadas matrizes de correlação para avaliar as relações entre os sensores e os seus atributos. Duas observações foram feitas: as características relacionadas com a densidade espectral têm valores mais elevados e os mesmos padrões são reconhecíveis em diferentes dispositivos. Foram de seguida aplicados os métodos de visualização, PCA e t-SNE. Estes métodos evidenciam, através da separabilidade das diferentes classes, que os sensores Iris são mais distinguíveis que os Telos B, sendo que há sobreposição entre os grupos. Para avaliar o sucesso da autenticação física, foram utilizados três algoritmos de classificação: Random Forest, kNN e SVC. O desempenho destes modelos foi medido em três cenários: classificação simples, distância desconhecida e hardware desconhecido. Verificou-se que a classificação Iris atinge em todas as configurações, uma precisão superior a 96%, o não acontece com o Telos B. Também é demonstrado que os dois tipos de sensores (com hardware desconhecido) são separáveis através de Random Forest e kNN classificadores Machine Learning.
Os esquemas de autenticação modernos podem não ser capazes de garantir uma segurança robusta quando confrontados com o poder computacional cada vez maior por parte dos atacantes. Como tal, a necessidade de alternativas (ou esquemas complementares) aos processos de autenticação contemporâneos está a aumentar. O principal objetivo desta dissertação é o estudo da autenticação na camada física, que se baseia nas características únicas do sinal transmitido no ar. Estas resultam parcialmente de imperfeições do hardware, o que as torna intrínsecas ao dispositivo, permitindo a sua autenticação, e ao mesmo tempo são excecionalmente difíceis de imitar - exigindo mais poder computacional e hardware com mais precisão por parte do atacante. Esta dissertação avalia a fiabilidade da autenticação de camada física e o seu potencial para se tornar uma alternativa à autenticação criptográfica. Para tal, criámos um repositório de dados de transmissão reais, a partir de oito dispositivos (quatro Telos B e quatro Iris), num ambiente de laboratório controlado; a partir do qual extraímos as características físicas do sinal. Foram utilizadas matrizes de correlação para avaliar as relações entre os sensores e os seus atributos. Duas observações foram feitas: as características relacionadas com a densidade espectral têm valores mais elevados e os mesmos padrões são reconhecíveis em diferentes dispositivos. Foram de seguida aplicados os métodos de visualização, PCA e t-SNE. Estes métodos evidenciam, através da separabilidade das diferentes classes, que os sensores Iris são mais distinguíveis que os Telos B, sendo que há sobreposição entre os grupos. Para avaliar o sucesso da autenticação física, foram utilizados três algoritmos de classificação: Random Forest, kNN e SVC. O desempenho destes modelos foi medido em três cenários: classificação simples, distância desconhecida e hardware desconhecido. Verificou-se que a classificação Iris atinge em todas as configurações, uma precisão superior a 96%, o não acontece com o Telos B. Também é demonstrado que os dois tipos de sensores (com hardware desconhecido) são separáveis através de Random Forest e kNN classificadores Machine Learning.
Descrição
Palavras-chave
Authentication Physical Layer Features Classification Machine Learning