Deep Learning based Cross-Receiver Radio Frequency Fingerprint Identification Under Varying Channels

Título: Identificação de Impressão Digital de Frequência de Rádio (RFFI) Baseada em Aprendizado Profundo para Múltiplos Receptores sob Canais Variáveis

1. O Problema

A Identificação de Impressão Digital de Frequência de Rádio (RFFI) é uma técnica de segurança que utiliza as imperfeições de hardware únicas dos transmissores para autenticar dispositivos. No entanto, a robustez dessa técnica é severamente comprometida por dois fatores principais em cenários de implantação real:

• Variabilidade do Canal: Os sinais de RF sofrem desvanecimento multipath (reflexões, difrações) que mudam drasticamente dependendo do ambiente, causando deslocamentos na distribuição dos dados de entrada e degradando a precisão do classificador.
• Portabilidade do Receptor (Cross-Receiver): Diferentes receptores possuem características de hardware distintas (desequilíbrio I/Q, não linearidades de amplificadores, etc.). Um modelo treinado em um receptor "fonte" geralmente falha quando implantado em um receptor "alvo" diferente, pois as impressões digitais acopladas (transmissor + canal + receptor) mudam.

A maioria das soluções existentes aborda apenas um desses problemas ou exige conjuntos de dados rotulados extensos e re-treinamento caro para cada novo receptor, o que é impraticável para dispositivos IoT com recursos limitados.

2. Metodologia Proposta

O artigo propõe um protocolo RFFI de duas etapas, denominado TCNN-DSQCNN, que combina processamento de sinal robusto e calibração neural para lidar simultaneamente com variações de canal e receptores.

O sistema é dividido em três fases principais:

A. Fase de Inscrição (Enrollment Stage) - Treinamento do Classificador

• Pré-processamento Robusto ao Canal: Para mitigar os efeitos do canal, os autores propõem um método de processamento de sinal que gera sequências de Quociente Espectral Desruído (DSQ - Denoised Spectral Quotient).
  • Utiliza símbolos repetitivos no cabeçalho (preamble) do sinal WiFi.
  • Aplica uma divisão espectral circular (SCSD) para cancelar a resposta ao impulso do canal.
  • Realiza uma média temporal para reduzir o ruído.
• Classificador (DSQCNN): Uma Rede Neural Convolucional (CNN) de quatro camadas é treinada usando os vetores DSQ extraídos do receptor fonte. O objetivo é aprender as características específicas do transmissor, ignorando as variações do canal.

B. Fase de Implantação Cruzada (Cross-Receiver Deployment Stage) - Calibração

• Geração do Conjunto de Dados de Calibração: Um transmissor de alta qualidade envia sinais de "desafio" (challenge signals) via conexão por cabo para o receptor fonte e o receptor alvo (novo).
• Correspondência de Fase: Os sinais de resposta de ambos os receptores são pareados com base em seus desvios de fase (Phase Offset - PO) estimados.
• Rede de Calibração Treinável (TCNN): Uma rede neural densa (fully-connected) é treinada para aprender a mapeamento não linear entre a saída do receptor alvo e a do receptor fonte.
  • A entrada da TCNN é uma sequência real aumentada (componentes I, Q e termos dependentes do envelope).
  • A saída da TCNN é projetada para transformar o sinal do receptor alvo para que ele se assemelhe estatisticamente ao sinal do receptor fonte.

C. Fase de Classificação

• O sinal capturado pelo receptor alvo passa primeiro pela TCNN (calibração) e, em seguida, pelos dados calibrados são alimentados na DSQCNN (já treinada) para realizar a identificação do transmissor.

3. Principais Contribuições

1. Abordagem Conjunta: É a primeira tentativa conhecida de resolver simultaneamente os problemas de portabilidade de canal e receptor através de uma calibração não linear conjunta e supressão de canal.
2. DSQCNN Robusta: Desenvolvimento de uma representação de sinal (DSQ) e uma CNN associada que demonstram alta robustez contra variações de canais multipath, superando representações tradicionais (IQ bruto, FFT).
3. Módulo de Calibração Eficiente (TCNN): Proposta de uma rede leve que requer apenas um único transmissor para calibrar a relação entre receptores, eliminando a necessidade de coletar grandes conjuntos de dados rotulados de todos os dispositivos alvo.
4. Economia de Recursos: O método permite a implantação em novos receptores sem re-treinamento do classificador principal, apenas ajustando o módulo de calibração.

4. Resultados Experimentais

Os autores realizaram simulações com 12 transmissores WiFi e 3 receptores (um fonte e dois alvos) sob quatro condições de canal diferentes (Rician e Rayleigh).

• Robustez ao Canal: O método DSQCNN manteve uma precisão estável em diferentes canais, com flutuações inferiores a 1,6% em SNR = 30 dB, enquanto métodos baseados em IQ bruto ou FFT sofreram quedas de desempenho superiores a 45% quando o perfil de atraso do canal mudou.
• Desempenho Cruzado (Cross-Receiver):
  • Sem calibração, a precisão caiu drasticamente ao mudar de receptor (ex: de ~96% para ~57% no receptor R2).
  • Com o módulo TCNN, a precisão foi restaurada.
• Precisão Final: O sistema proposto (TCNN-DSQCNN) alcançou mais de 90% de precisão de classificação em SNR = 24 dB, mesmo em cenários de canais variáveis e receptores diferentes.
• Erro de Calibração: A calibração reduziu o Erro Quadrático Médio Normalizado (NMSE) de cerca de -17 dB (sem calibração) para menos de -30 dB, indicando uma excelente correspondência entre os sinais do receptor alvo e do fonte.

5. Significado e Impacto

Este trabalho é significativo porque oferece uma solução prática e economicamente viável para a escalabilidade da RFFI em redes IoT e militares. Ao demonstrar que é possível adaptar um modelo de aprendizado profundo a novos receptores sem re-treinamento massivo e mantendo a robustez contra variações de canal, o método remove uma das maiores barreiras para a adoção comercial de autenticação baseada em impressão digital de RF. A abordagem sugere que a calibração de hardware via aprendizado de máquina pode ser uma estratégia eficaz para garantir a segurança em ambientes dinâmicos e heterogêneos.