A carregar...
Publicação
Real-time Physical Layer Authentication on ZigBee networks
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.44 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The rapid expansion of the Internet of Things (IoT) raises significant security concerns,
especially for device authentication. This thesis focuses on Physical Layer (PHY) authenti-
cation through Radio Frequency Fingerprinting (RFF), using machine learning algorithms
implemented with Software Defined Radio (SDR).
A custom and extended GNU Radio module was developed to capture ZigBee frames
and extract the preamble. The system employed a One-Dimension Convolutional (Conv1D)
Autoencoders (AE) Neural Network (NN) with a dimension of 12 to generate features,
which were subsequently used to train a Random Forest (RF) classifier.
A prototype application was developed to implement the RFF algorithms in real-time.
The application’s graphical user interface supports the training of the RF classifier and
enables real-time classification of IEEE 802.15.4 signals. The application provides an
intuitive platform for users to train models, integrate new sensors, and perform real-time
classifications efficiently.
Results demonstrated that the system performed best in static conditions, achieving an
F1-score of 97% when the training and testing conditions were aligned at a distance of 15 cm.
However, as the distance increased, performance declined, with the F1-score dropping to
90% at 1 meter and further decreasing to 89% when movement was introduced. Tests with
different antennas and Low-Noise Amplifier (LNA)s from the same manufacturer showed
no significant impact on performance. However, changing the testing environment, which
inherently involved changing communication channels, led to a noticeable decrease in
accuracy.
In conclusion, this thesis shows that Machine Learning (ML)-based PHY layer authen-
tication is feasible and effective with aligned training and testing conditions.
O crescimento rápido da Internet das Coisas levanta preocupações de segurança signi- ficativas, especialmente para a autenticação de dispositivos. Esta dissertação foca-se na autenticação de nível físico através de impressão digital de radiofrequência, utilizando algoritmos de aprendizagem automática implementados com um rádio definido por software (SDR). Foi desenvolvido um módulo GNU Radio personalizado e alargado para capturar tramas ZigBee e extrair o preâmbulo. O sistema utilizou um autoencoder de Rede Neuronal Convolucional de uma dimensão com um estado latente de 12 para gerar caraterísticas, que foram posteriormente utilizadas para treinar um classificador Random Forest. Foi desenvolvido um protótipo de aplicação para implementar os algoritmos de Impressão digital por radiofrequência em tempo real. A interface gráfica da aplicação suporta o treino do classificador Random Forest e permite a classificação em tempo real de sinais IEEE 802.15.4. A aplicação fornece uma plataforma intuitiva para os utilizadores treinarem modelos, integrarem novos sensores e efetuarem classificações em tempo real de forma eficiente. Os resultados demonstraram que o sistema teve um desempenho melhor em condições estáticas, atingindo um F1-score de 97% quando as condições de treino e teste estavam ali- nhadas e a transmissão é realizada a 15 cm. No entanto, à medida que a distância aumenta, o desempenho diminuí, com o F1-score a cair para 90% a 1 metro e a diminuir ainda mais para 89% quando se introduz movimento. Os testes com antenas e amplificadores de baixo ruido diferentes, mas do mesmo fabricante, não mostraram um impacto significativo no desempenho. No entanto, a alteração do ambiente de classificação, que implicava ineren- temente a mudança do canal de comunicação, conduziu a uma diminuição significativa da precisão. Em conclusão, esta tese mostra que a autenticação do nível físico baseada na aprendiza- gem automática é viável e eficaz quando as condições de treino e teste estão devidamente alinhadas.
O crescimento rápido da Internet das Coisas levanta preocupações de segurança signi- ficativas, especialmente para a autenticação de dispositivos. Esta dissertação foca-se na autenticação de nível físico através de impressão digital de radiofrequência, utilizando algoritmos de aprendizagem automática implementados com um rádio definido por software (SDR). Foi desenvolvido um módulo GNU Radio personalizado e alargado para capturar tramas ZigBee e extrair o preâmbulo. O sistema utilizou um autoencoder de Rede Neuronal Convolucional de uma dimensão com um estado latente de 12 para gerar caraterísticas, que foram posteriormente utilizadas para treinar um classificador Random Forest. Foi desenvolvido um protótipo de aplicação para implementar os algoritmos de Impressão digital por radiofrequência em tempo real. A interface gráfica da aplicação suporta o treino do classificador Random Forest e permite a classificação em tempo real de sinais IEEE 802.15.4. A aplicação fornece uma plataforma intuitiva para os utilizadores treinarem modelos, integrarem novos sensores e efetuarem classificações em tempo real de forma eficiente. Os resultados demonstraram que o sistema teve um desempenho melhor em condições estáticas, atingindo um F1-score de 97% quando as condições de treino e teste estavam ali- nhadas e a transmissão é realizada a 15 cm. No entanto, à medida que a distância aumenta, o desempenho diminuí, com o F1-score a cair para 90% a 1 metro e a diminuir ainda mais para 89% quando se introduz movimento. Os testes com antenas e amplificadores de baixo ruido diferentes, mas do mesmo fabricante, não mostraram um impacto significativo no desempenho. No entanto, a alteração do ambiente de classificação, que implicava ineren- temente a mudança do canal de comunicação, conduziu a uma diminuição significativa da precisão. Em conclusão, esta tese mostra que a autenticação do nível físico baseada na aprendiza- gem automática é viável e eficaz quando as condições de treino e teste estão devidamente alinhadas.
Descrição
Palavras-chave
Machine Learning Physical Layer Authentication Software-Defined Radio Internet of Things RF Fingerprinting Neural Network