Replicating the Signature: Unsupervised Targeted Impersonation Attack on RF Fingerprinting

Technische Samenvatting: Het Repliceren van de Handtekening: Ongesuperviseerde Doelgerichte Imitatie-aanval op RF-Fingerprinting

Probleemstelling
Op Deep Learning (DL) gebaseerde Radio Frequency Fingerprinting (RFFP) is een robuuste methode geworden voor fysieke-laag apparaatautenticatie door gebruik te maken van unieke hardware-impedanties (bijv. Carrier Frequency Offset, I/Q-imbalans, niet-lineariteiten van de power amplifier) die in verzonden signalen zijn ingebed. De robuustheid van deze systemen tegen actieve imitatie-aanvallen blijft echter onderbelicht. Bestaande aanvalsmodellen steunen vaak op onrealistische aannames, zoals volledige toegang tot de classifier van het slachtoffer (White-Box), directe signaalinjectie die de draadloze kanalen omzeilt, of het vertrouwen op het herhalen van vastgelegde signalen, wat onvermijdelijk de eigen hardware-distorties van de aanvaller afdrukt. Bovendien brengen veel eerdere benaderingen de communicatiebetrouwbaarheid in gevaar (verhoging van de Bit Error Rate) of vereisen ze kennis van specifieke payload-sequenties die voor fingerprinting worden gebruikt, wat hun praktische toepasbaarheid in real-world "No-Access"-scenario's beperkt, waarbij de aanvaller onafhankelijke hardware gebruikt en geen kennis heeft van het model van het slachtoffer.

Methodologie
De auteurs stellen een nieuw, ongesuperviseerd imitatie-framework voor dat ontworpen is om te opereren onder een "No-Access" dreigingsmodel, waarbij de aanvaller noch de ontvangerhardware van het slachtoffer, noch diens classificatiemodel bezit. Het framework bestaat uit twee primaire varianten:

1. HWE (Hardware Estimation) Framework:

   • Ongesuperviseerde Impedantie-schatting: De kerninnovatie is een ongesuperviseerde leerbenadering om de hardware-impedantievector ($\Theta$) van het doelapparaat te schatten zonder ground-truth labels. Dit maakt gebruik van een Encoder-Decoder architectuur waarbij een trainbaar neuraal netwerk (HWE) de impedantievector extraheert uit de fase van een opgevangen signaal, en een niet-trainbare modulatiefunctie ($Mod$) het signaal reconstrueert. Het systeem is getraind om de reconstructieverlies te minimaliseren tussen het originele opgevangen signaal en het signaal dat geregenereerd is met de geschatte impedanties en de gedemoduleerde bitsequentie.
   • Signaal Synthese: Zodra de doel-impedanties ($\hat{\Theta}_T$) zijn geschat, gebruikt de aanvaller een modulatiefunctie om deze impedanties in een controleerbare, kwaadaardige payload bitsequentie in te bedden, waardoor een hoogwaardig adversarieel signaal ($x_A[n]$) wordt gesynthetiseerd dat de RF-handtekening van het doelapparaat nabootst.

2. HWE+ (Gradient-Based Refinement):

   • Om de succesratio verder te verhogen, introduceert HWE+ een iteratieve verfijningsfase. Omdat de aanvaller geen toegang heeft tot de classifier van het slachtoffer ($CL_{SV}$), traint hij een lokale surrogaat-classifier ($CL_{SA}$) op de eigen hardware.
   • Met behulp van Projected Gradient Descent (PGD) voegt de aanvaller iteratief kleine, begrensde perturbaties ($\delta$) toe aan het gesynthetiseerde signaal om de waarschijnlijkheid te maximaliseren dat de surrogaat-classifier het signaal foutief identificeert als het doelapparaat, terwijl hij ervoor zorgt dat de perturbatie binnen een geldig budget ($\epsilon$) blijft om de communicatiebetrouwbaarheid te handhaven.

Belangrijkste Bijdragen

• Impedantie-gestuurde Signaalgeneratie: Het artikel introduceert het eerste framework dat in staat is tot het genereren van imitatie-signalen met controleerbare payloads onder onbekende doelmodellen en systeemcondities, waarbij hardware-impedanties expliciet worden geschat en toegepast zonder voorafgaande kennis van de classifier van het slachtoffer.
• Robuustheid Onder Domain Shift: Het framework demonstreert generaliseerbaarheid over verschillende domeinen (ontvangers, kanalen, bedrade/draadloze verbindingen) en robuustheid tegen variërende datarepresentaties, waarbij het de uitdaging van domeinadaptatie in RFFP aanpakt.
• Evaluatie van een Realistisch Dreigingsmodel: In tegenstelling tot voorgaande werken die leunen op Full-Access of directe injectie, valideert dit werk de aanval onder een realistisch "No-Access" model via Over-the-Air (OTA) transmissies in zowel Line-of-Sight (LoS) als Non-Line-of-Sight (NLoS) scenario's.
• Dataset Release: De auteurs stellen een uitgebreid Bluetooth Low Energy (BLE) RFFP-dataset vrij, verzameld van 31 IoT-apparaten over diverse omgevingen, ontvangers en kanalen, om toekomstig onderzoek in domeingeneralisatie en aanvallen te faciliteren.

Experimentele Resultaten
Uitgebreide experimenten werden uitgevoerd op een BLE-testopstelling bestaande uit 31 Seeed Studio XIAO IoT-apparaten en Ettus USRP B210 transceivers.

• Attack Success Rates: De voorgestelde HWE en HWE+ frameworks behaalden consistent een Targeted Attack Success Rate (TASR) van meer dan 97% onder Full-Access, Limited-Access en No-Access modellen. Dit presteerde aanzienlijk beter dan bestaande baselines (PGD, CDIA), die faalden of lage succesratio's behaalden onder het No-Access model.
• Schaalbaarheid: De aanval bleef effectief naarmale het aantal geregistreerde apparaten toenam (tot 31 apparaten), hoewel de TASR natuurlijk daalde naarmate de klasse-verwarring toenam.
• Robuustheid tegen Representaties: De aanval was effectief tegen diverse input-feature representaties (RawIQ, Phase Derivative, DoLoS, CLPS, Mbed). Hoewel Phase Derivative (PD) features de hoogste defensieve robuustheid boden, behield de voorgestelde aanval nog steeds significante succesratio's.
• OTA Prestaties: Onder OTA-condities, inclusclusief NLoS en variërende afstanden (1.5m tot 7m), bleef de aanval zeer effectief. Kalibratie van OTA-geïnduceerde distorties verbeterde de TASR met wel 20%, waardoor de prestaties dicht bij de Direct Injection resultaten kwamen.
• Generalisatie: De aanval vertoonde succesvolle transfer naar onbekende victim-architecturen (Transformers, RNN's, diverse CNN's) en onbekende trainingssequenties (waarbij het slachtoffer verborgen interne sequenties gebruikte voor identificatie), wat een hoge transfereerbaarheid aantoont.

Betekenis en Claims
Het artikel claimt een fundamentele kwetsbaarheid in huidige DL-gebaseerde RFFP-systemen bloot te leggen. Door aan te tonen dat nauwkeurige schatting van hardware-impedanties via ongesuperviseerd leren kan worden bereikt en gebruikt kan worden om fysiek consistente adversariële signalen te synthetiseren zonder kennis van het model van het slachtoffer, betogen de auteurs dat bestaande RFFP-verdedigingen onvoldoende zijn tegen realistische, op hardware gebaseerde imitatie-aanvallen. Het werk benadrukt de kritieke noodzaak voor robuustere en veerkrachtigere defensiemechanismen die rekening houden met de transfereerbaarheid van hardware-handtekeningen over verschillende domeinen en de haalbaarheid van ongesuperviseerde imitatie van impedanties. De auteurs benadrukken dat hun benadering niet leunt op onrealistische aannames, wat de geïdentificeerde dreiging een dringende zorg maakt voor de implementatie van RFFP in real-world beveiligingsapplicaties.