卫星射频指纹识别技术综述（上篇）

2024年12月5日16:59:04评论18 views字数 6524阅读21分44秒阅读模式

引言

卫星是即将到来的天地一体化网络的关键组成部分，然而它们的信号却极易受到欺骗和重放攻击。现如今，深度学习分类算法带来的性能提升使得物理层安全性在研究界重新获得关注，射频指纹识别（RFF）已被公认为是一种非常有前景的物理层身份验证方法，可以对抗欺骗和重放攻击。尽管地面通信网络已存在广泛的RFF方案，但卫星的RFF方案在很大程度上仍未得到探索。将RFF技术应用于卫星场景普遍具有挑战性，因为卫星无线电传输装置采用的是专为恶劣条件而设计的非标准电子设备且通常较为老旧，而对于低轨道卫星，指纹识别任务更为困难。原因在于，它们的比特率较低，轨道高度约为800公里，并以大约25,000公里/小时的速度运行，这使得接收器接收到的下行链路信号具有独特的衰减和衰落特性。

本文将分为上下两篇，上半篇主要介绍卫星RFF技术的背景，并对国内外提出的卫星RFF方案所涉及的工作分别进行介绍，下半篇将主要对卫星RFF技术的最新改进、面临的挑战以及未来的发展进行总结和展望。

一、技术背景

近年来，人们对通过建造大型低轨卫星星座（如Starlink、OneWeb和Iridium）以提供全球无缝宽带互联网服务的兴趣重新燃起。为了给卫星星座的应用铺平道路，特别是在军事领域，需要仔细考虑它们的安全问题。目前，卫星系统面临的典型安全攻击包括欺骗攻击和重放攻击[1]，前者是指攻击方冒充合法卫星发送虚假消息以欺骗预期的接收器，而后者则是指攻击方在截获合法数据后，通过重新发送它们来误导接收方。

目前，具备安全认证的卫星通信系统都采取了加密措施，但这种方案存在明显局限性。首先，密码认证技术在数学上是可以破解的，随着计算机算力的持续增强，破解密钥的速度将变得越来越快；此外，生成和检测数字密钥会给通信系统带来额外的安全开销[2]。更为关键的是，对于大量异构设备来说，为了认证而不断修改协议会带来沉重的成本负担，并且当前可用的协议通常很难适应未来的设备。

为此，研究者们正在探索基于深度学习的物理层认证（PLA）方法，以增强卫星系统的身份认证能力。物理层认证依赖于检测和识别嵌入在空中无线电信号中的独特特征，从而能够识别发射源的硬件[3][4]。射频指纹识别（RFF）被认为是一种非常有前景的用以解决欺骗和重放攻击的物理层认证技术，RFF的基本思想是提取辐射特征（例如载波频率偏移和I-Q不平衡），这些特征可以从传输的信号中唯一地识别传输设备，并在特征和设备身份之间建立映射[5][6]。RFF不需要加密、解密和密钥协商操作，有望实现快速、低复杂度的设备身份验证，并作为传统加密方法的理想补充[7]。

二、PAST-AI方案

Gabriele Oligeri团队最先开始进行射频指纹识别在卫星安全领域的有效性和局限性研究，并在2022年提出了名为PAST-AI（Physical-Layer Authentication of Satellite Transmitters via Deep Learning）的方案[8]。

目前，卫星无线电收发器虽已大规模生产，但任何两个都不可能完全相同，离散的组件可能会受到微米和纳米尺度上微小物理差异（如材料杂质）的影响，这些差异反映在电容、电阻和电感的变化上，最终会导致下行链路信号I-Q分布的不平衡。虽然如此小的I-Q不平衡会被多路径传输和多普勒频移现象所掩盖，但它们使传输的信号独一无二，从而能够识别传输源。PAST-AI方案的核心思想正是基于卫星个体间由于发射装置的微小物理差异给下行链路信号带来的I-Q不平衡的空间特性来对铱星进行个体识别。

该团队方案的创新点在于通过预处理原始I-Q样本生成I-Q图像，将信号识别问题转换为图像识别问题，并应用最先进的图像模式识别技术解决问题。具体而言，首先将I-Q平面切成224×224块，然后计算了每一图块上的二元直方图，即属于同一图块的I-Q样本数量，如图1所示。之后，将每个值映射为[0，255]中的一个灰度级，从而构成灰度图像的一个像素，具有较高值（白色）的像素表示具有大量I-Q样本的图块，而具有较小值（黑色）的像素则表示没有I-Q样本。这种处理将I-Q样本的分布特征嵌入到了图像中，该特征可被深度学习算法用作分类依据。

（a）I-Q样本的二元直方图（b）I-Q样本二元直方图的等高线图

图1 I-Q样本的图像表示

该团队选用的是基于18层残差网络（即ResNet-18）的深度卷积神经网络（DCNN）。这种模型支持多类分类任务，原始的ResNet-18网络最后有一个包含1000个神经元的全连接层，因为它是基于ImageNet数据集进行预训练的，该数据集包含1000个类别。如图2所示，为了适应66种卫星的分类需求，作者将最后的全连接层替换为一个包含66个神经元的全连接层，并将ResNet-18卷积层的参数迁移到新的DCNN中。然而，ResNet-18是在与作者所获取的I-Q样本不同的图像上训练的。因此，作者采取了一种保守的策略，将标准图像中的常见元素（如边缘、斑点、图案等）与I-Q图典型的新元素相结合，同时对CNN的结构进行最小干预。这种做法在训练时间和性能之间达成了平衡，尽管从头开始训练ResNet-18可能会得到更好的结果，但是在存在一个相当大规模训练集的情况下，迁移学习源任务的模型是特别有效的，可以减轻过拟合问题，从而生成更加可靠的模型。

图2 基于ResNet-18的深度卷积神经网络

尽管PAST-AI在卫星认证方面具有巨大的潜力，但其认证精度和时间在很大程度上取决于每张图像的I-Q样本数（IQ/I）。更大的IQ/I会导致更准确的身份验证，但它会引入更长的身份验证时间，因为PAST-AI需要很长的等待时间来为一次身份验证的输入（即一个灰度图像）积累足够的I-Q样本。由于这些样本可能来自不同的IRA消息，并且从同一卫星接收到的两个连续IRA消息之间的时间间隔约为4.32秒，因此PAST-AI可能需要几秒钟才能完成一次身份验证。为了在准确性和时间之间进行权衡，作者考虑了10000的参考IQ/I，这导致认证准确率仅为83%。

三、基于3D-CNN的方案

为了解决这个问题，国内团队在2023年提出了一种更快、更稳定的基于3D-CNN的方案用于铱星认证[9]。该方案不仅利用了I-Q不平衡的空间特性，还利用了I-Q失衡的时间特性。所提出的RFF方案将连续I-Q样本的短周期序列转换为3D数据样本，并使用3D卷积神经网络（CNN）训练RFF模型。结果表明，所提出的基于3D-CNN的方案使用更少的IQ样本（即更短的时间）实现了比PAST-AI更准确的身份验证。

该方案的优化点在于能从更少的I-Q样本中提取比PAST-AI更多的辐射特征。作者采用I-Q不平衡的时间特性作为附加特征，这是因为设备的硬件损伤会随着时间的推移而变化，例如本地振荡器频率和RF电路温度等因素的变化[10][11]，这导致了I-Q不平衡具有独特的时间特性。所提出的RFF方案将从一个IRA消息中提取的I-Q样本转换为多个灰度图像，然后整合这些图像以生成3D数据样本。由于同一IRA消息的I-Q样本在时间上是连续的（通常为几毫秒），因此3D数据样本中的灰度图像表现出I-Q不平衡的独特时间特性，不仅捕捉了I-Q失衡的空间属性，还捕捉了其短期时间属性，这唯一地标识了IRA信息的发送者。

为此，作者将来自同一IRA消息的所有IQ样本划分为d个组，每个组包含固定数量n的I-Q样本。对于每个组，将个样本分散在I-Q平面上以创建星座图，然后将其切成m个块，用B(i,j) (i,j∈{1,2,…,m})表示第(i,j)个块。然后，与PAST-AI方案相同，对每个块中的I-Q样本数量进行计数，并将其映射到[0，255]中的灰度值。通过这种方式，每组n个样本产生一个具有m像素的2D灰度图像，其中第(i,j)个像素的值取决于B_(i,j)中I-Q样本的数量。按照上述流程，可以从卫星的一个IRA消息的IQ样本中生成多个2D灰度图像。然而，单个2D灰度图像仅能显示卫星I-Q不平衡的空间特性，为了捕捉IQ不平衡的时间特性，将从同一IRA消息生成的d个2D灰度图像叠加在一起，以产生适合3D-CNN输入的3D数据样本。这里，d是一个奇数，会影响身份验证的准确性，当d=1时，所提出的RFF方案简化为PAST-AI。

由于RestNet18卷积层的参数集最初是为2D输入实现的，不适合该种方案下生成的3D数据样本。为了解决这个问题，作者在RestNet18的原始卷积层中添加了深度方向上的卷积和池化操作。如图3所示，模型的结构可分为4个块，每个块包含2个ResNet块，并且与PAST-AI方案相同，根据铱星星座数据集中的类别数量，同样用由66个神经元组成的softmax层替换网络的最终完全连接层。所设计的基于3D-CNN的模型由Keras中的TensorFlow框架训练，具有交叉熵损失、每批64个3D数据样本、Adam优化器（默认设置）和15个迭代周期。在认证过程中，模型接收生成的3D数据样本（每个测试样本对应一个真实标签，代表样本来自的真实卫星）并输出66个值，每个值都表示3D数据样本来自66颗卫星之一的概率，如果对应于真实卫星的概率在所有概率中最大，则认证是准确的。

图3 3D-CNN网络架构

作者的实验结果表明，基于3D-CNN的RFF方案在使用4200个I-Q样本的情况下，认证准确率达到92%以上，大大提高了PAST-AI方案使用10000个I-Q样本的准确率（约83%），实现了比PAST-AI更快、更准确的认证。

四、结语

本文介绍了卫星RFF技术的背景，以及基于这种技术提出的PAST-AI方案和对它进行优化的3D-CNN方案，尽管改进后的PAST-AI方案在认证时间和准确率方面得到了提高，但从安全角度来看，它的实用性有限。下篇文章将介绍最新的SatIQ方案，并对卫星RFF技术目前面临的挑战以及未来的发展进行总结和展望。

参考文献

[1]. P. Yue, J. An, J. Zhang, G. Pan, S. Wang, P. Xiao, and L. Hanzo,“On the security of leo satellite communication systems: Vulnerabilities,countermeasures, and future trends,” arXiv preprint arXiv:2201.03063,2022

[2].A.Mukherjee,S.A.A.Fakoorian,J.Huang,andA.L.Swindlehurst,Principlesofphysicallayersecurityinmultiuserwirelessnetworks:Asurvey,”IEEECommunicationsSurveys&Tutorials,vol.16,no.3,pp.1550–1573,2014

[3].X. Wang, P. Hao, and L. Hanzo, “Physical-layer authentication for wireless security enhancement: Current challenges and future developments,” IEEE Commun. Mag., vol. 54, no. 6, pp. 152–158, Jun. 2016.

[4].L. Xiao, L. Greenstein, N. Mandayam, and W. Trappe, “Fingerprints in the ether: Using the physical layer for wireless authentication,” in Proc. IEEE Int. Conf. Commun., Jun. 2007, pp. 4646–4651.

[5].K. Sankhe, M. Belgiovine, F. Zhou, S. Riyaz, S. Ioannidis, andK. Chowdhury, “Oracle: Optimized radio classification through convolutional neural networks,” in IEEE INFOCOM 2019-IEEE Conference on Computer Communications. IEEE, 2019, pp. 370–378.

[6].Wang, Y. Chen, and Q. Zhang, “Privacy-preserving location authentication in wi-fi networks using fine-grained physical layer signatures,” IEEE Transactions on Wireless Communications, vol. 15, no. 2, pp.1218–1225, 2015

[7].Y. Liu, P. Zhang, Y. Shen, L. Peng, and X. Jiang, “Online machine learning-based physical layer authentication for mmwave mimo systems,” Ad Hoc Networks, vol. 131, p. 102864, 2022.

[8].G. Oligeri, S. Sciancalepore, S. Raponi and R. D. Pietro, "PAST-AI: Physical-Layer Authentication of Satellite Transmitters via Deep Learning," in IEEE Transactions on Information Forensics and Security, vol. 18, pp. 274-289, 2023, doi: 10.1109/TIFS.2022.3219287.

[9].S. Zhu, Y. Zhang, J. Zhu, Y. Chen, Y. Shen and X. Jiang, "3D Convolution-Based Radio Frequency Fingerprinting for Satellite Authentication," GLOBECOM 2023 - 2023 IEEE Global Communications Conference, Kuala Lumpur, Malaysia, 2023, pp. 7586-7591, doi: 10.1109/GLOBECOM54140.2023.10436963.

[10].Schneider,“iridium:toolkit [muccc],” 2015. [Online]. Available: https://wiki.muc.ccc.de/iridium:toolkit#frame format

F. Restuccia, S. D’Oro, A. Al-Shawabka, M. Belgiovine, L. Angioloni, S. Ioannidis, K. Chowdhury, and T. Melodia, “Deepradioid: Real-time channel-resilient optimization of deep learning-based radio fingerprinting algorithms,” in Proceedings of the Twentieth ACM International Symposium on Mobile Ad Hoc Networking and Computing, 2019, pp. 51–60

中国保密协会

科学技术分会

长按扫码关注我们