Replicating the Signature: Unsupervised Targeted Impersonation Attack on RF Fingerprinting

기술 요약: 서명 복제: RF 지문 인식에 대한 비지도 표적 모방 공격

문제 정의
딥러닝(DL) 기반 무선 주파수 지문 인식(RFFP)은 전송된 신호에 내재된 고유한 하드웨어 결함(예: 반송파 주파수 오프셋, I/Q 불균형, 전력 증폭기 비선형성)을 활용하여 물리 계층 장치 인증을 위한 강력한 방법으로 부상했습니다. 그러나 이러한 시스템의 능동적 모방 공격에 대한 견고성은 아직 충분히 탐구되지 않았습니다. 기존의 공격 모델은 피해자의 분류기(White-Box)에 대한 완전한 접근 권한, 무선 채널을 우회하는 직접적인 신호 주입, 또는 공격자 자신의 하드웨어 왜곡이 필연적으로 각인되는 캡처된 신호 재생에 대한 의존성과 같은 비현실적인 가정에 의존합니다. 또한, 많은 이전 방식들은 통신 신뢰성(비트 오류율 증가)을 저해하거나 지문 인식을 위해 사용되는 특정 페이로드 시퀀스에 대한 지식을 요구하여, 독립적인 하드웨어를 사용하고 피해자의 모델을 알지 못하는 실제 환경의 "No-Access" 시나리오에서의 실질적인 적용 가능성을 제한합니다.

방법론
저자들은 피해자의 수신기 하드웨어나 분류 모델에 대한 접근 권한이 없는 "No-Access" 위협 모델 하에서 작동하도록 설계된 새로운 비지도 모방 프레임워크를 제안합니다. 이 프레임워크는 두 가지 주요 변형으로 구성됩니다:

1. HWE (하드웨어 추정) 프레임워크:

   • 비지도 결함 추정: 핵심 혁신은 정답 레이블 없이 타겟 장치의 하드웨어 결함 벡터($\Theta$)를 추정하는 비지도 학습 접근 방식입니다. 이는 캡처된 신호의 위상(phase)으로부터 결함 벡터를 추출하는 학습 가능한 신경망(HWE)과, 신호를 재구성하는 비학습형 변조 함수($Mod$)를 사용하는 인코더-디코더 구조를 활용합니다. 시스템은 원래 캡처된 신호와 추정된 결함 및 복조된 비트 시퀀스를 사용하여 재생된 신호 사이의 재구성 손실(reconstruction loss)을 최소화하도록 학습됩니다.
   • 신호 합성: 타겟 결함($\hat{\Theta}_T$)이 추정되면, 공격자는 변조 함수를 사용하여 제어 가능한 악성 페이로드 비트 시퀀스에 이러한 결함을 삽입함으로써, 타겟 장치의 RF 서명을 모방하는 고충실도 적대적 신호($x_A[n]$)를 합성합니다.

2. HWE+ (그래디언트 기반 정교화):

   • 성공률을 더욱 높이기 위해, HWE+는 반복적인 정교화 단계를 도입합니다. 공격자는 피해자 분류기($CL_{SV}$)에 접근할 수 없으므로, 자신의 하드웨어에서 학습된 로컬 대리 분류기($CL_{SA}$)를 훈련합니다.
   • 투영 경사 하강법(Projected Gradient Descent, PGD)을 사용하여, 공격자는 합성된 신호에 작고 유계된 섭동($\delta$)을 반복적으로 추가하여, 서리 분류기가 해당 신호를 타겟 장치로 오인하게 만드는 확률을 극대화하는 동시에, 통신 신뢰성을 유지하기 위해 섭동이 유효한 예산($\epsilon$) 내에 머물도록 합니다.

주요 기여

• 결함 기반 신호 생성: 본 논문은 피해자의 분류기나 시스템 조건에 대한 사전 지식 없이도, 비지도 학습을 통해 하드웨어 결함을 명시적으로 추정하고 적용하여 제어 가능한 페이로드를 가진 모방 신호를 생성할 수 있는 최초의 프레임워크를 소개합니다.
• 도메인 변화에 대한 견고성: 제안된 프레임워크는 다양한 도메인(수신기, 채널, 유선/무선 링크)에 걸쳐 일반화 성능을 입증하며, RFFP 공격에서의 도메인 적응 문제를 해결합니다.
• 현실적인 위협 모델 평가: Full-Access 또는 직접 주입에 의존하는 기존 연구와 달리, 본 연구는 가시선(LoS) 및 비가시선(NLoS) 환경 모두에서 무선 구간(Over-the-Air, OTA) 전송을 사용하여 현실적인 "No-Access" 모델 하에서 공격을 검증합니다.
• 데이터셋 공개: 저자들은 도메인 일반화 및 공격 연구를 촉진하기 위해 다양한 환경, 수신기 및 채널에서 수집된 31개의 IoT 장치로부터 추출된 포괄적인 Bluetooth Low Energy (BLE) RFFP 데이터셋을 공개합니다.

실험 결과
31개의 Seeed Studio XIAO IoT 장치와 Ettus USRP B210 트랜시버를 포함하는 BLE 테스트베드에서 광범위한 실험이 수행되었습니다.

• 공격 성공률: 제안된 HWE 및 HWE+ 프레임워크는 Full-Access, Limited-Access, No-Access 모델 전체에서 97% 이상의 표적 공격 성공률(TASR)을 일관되게 달성했습니다. 이는 낮은 성공률을 보이거나 실패했던 기존 베이스라인(PGD, CDIA)을 크게 상회하는 결과입니다.
• 확장성: 등록된 장치의 수가 증가(최대 31개)함에 따라 클래스 혼동이 증가하여 TASR이 자연스럽게 감소하기는 했으나, 공격은 여전히 효과적이었습니다.
• 표현 방식에 대한 견고성: 공격은 다양한 입력 특징 표현(RawIQ, Phase Derivative, DoLoS, CLPS, Mbed)에 대해 효과적이었습니다. 위상 미분(Phase Derivative, PD) 특징이 가장 높은 방어 견고성을 제공했음에도 불구하고, 제안된 공격은 여전히 상당한 성공률을 유지했습니다.
• OTA 성능: LoS 및 NLoS를 포함한 OTA 조건 및 다양한 거리(1.5m ~ 7m)에서도 공격은 매우 효과적이었습니다. OTA로 인한 왜곡을 보정함으로써 TASR을 최대 20% 향상시켜 직접 주입 결과에 근접한 성능을 보였습니다.
• 일반화: 공격은 보지 못한 피해자 아키텍처(Transformers, RNNs, 다양한 CNNs) 및 보지 못한 훈련 시퀀스(피해자가 식별을 위해 숨겨진 내부 시퀀스를 사용하는 경우)로 성공적으로 전이되었습니다.

의의 및 주장
본 논문은 현재의 딥러닝 기반 RFFP 시스템이 가진 근본적인 취약점을 드러낸다고 주장합니다. 비지도 학습을 통해 정확한 하드웨어 결함 추정이 가능하며, 피해자의 모델에 대한 지식 없이도 물리적으로 일관된 적대적 신호를 합성할 수 있음을 보여줌으로써, 저자들은 기존의 RFFP 방어 체계가 현실적인 하드웨어 기반 모방 공격에 대해 불충분하다고 주장합니다. 이 연구는 하드웨어 서명의 도메인 간 전이성과 비지도 결함 복제의 가능성을 고려한 더 강력하고 탄력적인 방어 메커니즘의 필요성을 강조합니다. 저자들은 자신들의 접근 방식이 비현실적인 가정에 의존하지 않으므로, 식별된 위협이 실제 RFFP 보안 적용에 있어 시급한 문제임을 강조합니다.