무선 단말기 Fingerprint 식별을 위한 딥러닝 구조 개발

Development of Deep Learning Model for Fingerprint Identification at Digital Mobile Radio

Abstract

RF-Fingerprint 기술은 전송된 파형에서 송신기의 하드웨어 고유 특성을 추출하는 기술로써, 디바이스 보안 분야에 매우 유용한 기술 중의 하나이다. 본 논문은 무선 단말기의 In-phase(I)와 Quadrature(Q) 값을 입력으로 동종 무선 단말기 및 이기종 무선 단말기를 식별할 수 있는 fingerprint 특징을 추출하고 이를 식별할 수 있는 딥러닝 구조를 제안한다. 동종/이기종 무선 단말기를 식별하기 위한 특징으로 I/Q를 극좌표로 변환한 후 크기 값을 시간축으로 배열한 데이터를 무선 단말기의 fingerprinting 특징으로 제안하고 이를 식별하기 위해서 수정된 1차원 ResNet 모델을 제안한다. 실험을 위해서 동일 모델 10대의 두 종류 무선 단말기를 대상으로 제안한 딥러닝 구조의 성능을 분석한다. 제안한 딥러닝 구조 및 fingerprint 특징의 성능 검증을 위해서 4000개의 데이터셋 중에서 20%인 800개 데이터셋을 이용하여 성능 분석한 결과 약 99.5%의 식별 성능을 보였다.

Radio frequency fingerprinting refers to a methodology that extracts hardware-specific characteristics of a transmitter that are unintentionally embedded in a transmitted waveform. In this paper, we put forward a fingerprinting feature and deep learning structure that can identify the same type of Digital Mobile Radio(DMR) by inputting the in-phase(I) and quadrature(Q). We proposes using the magnitude in polar coordinates of I/Q as RF fingerprinting feature and a modified ResNet-1D structure that can identify them. Experimental results show that our proposed modified ResNet-1D structure can achieve recognition accuracy of 99.5% on 20 DMR.

Ⅰ. 서 론

Radio Frequency(RF) fingerprint 기술은 전송된 파형에서 의도하지 않게 포함된 송신기의 하드웨어 고유 특성을 추출하여 수신기에서 송신기의 하드웨어를 식별하는 기술이다^[1]. 이러한 RF-fingerprinting 기술은 5G 통신, IoT 디바이스, 인터넷 통신, 무선 통신등 다양한 분야에서 활발하게 연구되고 있다.^[2][3]

Radio Frequency(RF) Fingerprint 추출 연구는 무선 통신의 전 계층인 물리계층, MAC(medium access control) 계층 그리고 그 상위 계층을 대상으로 응용시스템의 목적에 맞게 fingerprint를 추출하는 연구가 진행되어왔다.

RF-fingerprint 특징추출 연구는 크게 두 가지 형태로 이루어졌는데, 신호 분석을 통해서 finger- printing 특징을 추출하는 방식과 딥러닝 알고리즘을 이용하여 fingerprinting 특징을 추출하는 방식이다. 신호 분석을 통한 fingerprint 특징추출 연구에서 Xu^[4] 은 전송 신호의 amplitude, phase angle 그리고 frequency 등을 추출하여 이를 무선 디바이스의 특징으로 사용하였으며, Brik et al^[5]은 8.2.11b RF 모뎀의 I/Q 변조 과정에서 발생하는 위상 오차, 진폭오류 오류벡터크기(Error Vector Magnitude), 심볼클럭오류와 같은 I/Q 복조 오류와 송수신 간의 동기화 상관 값, I/Q 편차, 주파수 편차 등을 디바이스의 fingerprint 특징으로 제안하였으며, Franklin et al^[6] 은 통신 스캐닝 동안 probe 요청프레임들 사이에 도착 시간의 빈도를 이용한 특징을 제안하였다.

딥러닝 알고리즘을 이용한 fingerprinting 특징추출연구에서 Sankhe et al^[7]은 I/Q imbalance와 DC offset을 특징으로 AlexNet을 이용하여 140개의 무선 디바이스를 분류하는 기술을 제안하였으며, Jian et al^[8] 은 Time-domain RF signal을 입력 신호로 사용하여 ResNet50-2D를 ResNet50-1D로 변경된 딥러닝 구조를 제안하였다. Soltani et al^[9]는 DNN을 이용한 fingerprint 알고리즘의 문제점은 특정 위치와 시간 데이터에서 학습 때문에 다양한 채널 환경에서 성능 저하가 발생하고 이를 해결하기 위해서 data augmentation 방법을 제안하였다.

본 논문은 무선기의 Time-domain I/Q 신호를 입력으로 동종/이기종의 무선 단말기를 분류하기 위한 딥러닝 모델과 fingerprinting 특징을 제안한다. 성능 분석을 위해서 무선 단말기 20대(2종류 동일 모델 10개)를대상으로 제안한 딥러닝 구조의 성능을 측정한다.

Ⅱ. DNN기반 무선 단말기 RFFI 설계

1. 무선 단말기 RF-Fingerprint 시스템 설계본 절에서는 딥러닝을 이용한 무선 단말기 RF-Fingerprint Identification(RFFI) 시스템을 설계한다. 그림 1은 제안된 DNN(Deep Neural Network) 기반 무선 단말기 RFFI 시스템의 구조이다.

그림 1. DNN 기반 무선 단말기 RFFI 시스템 개념도

Fig. 1. DNN based RFFI System overview

DNN 기반 무선 단말기 RFFI 시스템은 무선 단말기로부터 입력된 I/Q 신호를 극좌표로 변환하는 전처리 모듈과 전처리 된 신호에서 신호 구간을 추출하는 End Point Detection (EPD) 모듈, 그리고 전체 데이터셋에대해서 학습/검증 데이터 DB를 구축하는 학습/검증 DB 구축 모듈, 구축된 DB로부터 신호의 크기 정보를 fingerprint 특징으로 추출하는 Fingerprint 특징추출 모듈, 그리고 이를 입력으로 무선 단말기의 종류를 분류하기 위한 딥러닝 모델을 개발하는 딥러닝 학습 모듈 마지막으로 학습된 모델을 이용하여 무선 단말기의 종류를 분류하는 무선 단말기 분류 모듈로 구성된다.

2. 무선 단말기의 학습/테스트 데이터 구축

실험을 위해서 20대의 무선 단말기를 이용하여 무선단말기의 분류를 위한 학습 및 테스트 데이터베이스를 구축한다. 20대의 무선 단말기는 모토로라의 XiR P3688 과 윈어텍의 N-Series 두 모델을 대상으로 각각 10대씩 동일 모델을 이용하여 시험을 위한 데이터베이스를 구축하였다.

동일 모델 10대의 무선 단말기는 VHF(Very High Frequency: 138-174 Mhz) 전송방식 5대 그리고 UHF(Ultra high Frequency: 403-470 Mhz) 전송방식 5대로 나누어서 데이터를 수집한다. 그림 2는 무선 단말기 RFFI 시스템의 성능 검증을 위해서 구축한 학습/테스트 DB 구성이다.

그림 2에서 수집된 데이터는 시간축에서 I/Q의 두 개의 신호로 구성된다. 전처리 모듈은 I/Q 데이터를 다양한 도메인으로 변환하여 무선 단말기 RF 신호의 특징을 분석하게 된다.

그림 2. 무선 단말기의 RFFI시스템을 위한 DB 구성

Fig. 2. Training and Test DB for DRM RFFI system

본 논문은 특징추출을 위해서 I/Q 신호의 극좌표 변환을 통한 전처리 방법을 사용한다. 이를 위해서 θ_t 와 r_t 을 구하게 되는데 관련 수식은 아래와 같다. 여기서 x는 실수이고 y는 허수이다.

\(\theta_{t}=\arctan \frac{y_{t}}{x_{t}} \quad 0 \leq \theta_{t} \leq 2 \pi\)       (1)

\(r_{t}=\sqrt{\left(x_{t}^{2}+y_{t}^{2}\right)}\)        (2)

그림 3은 digital Mobile Radio(DMR) 신호에서 burst 구간을 검출하고 이를 복소평면과 θ_t, r_t 평면에 도식화한 결과이다.

그림 3. 무선 단말기 신호의 극좌표 표현

Fig. 3. Polar Coordinate representation of DMR signal

3. 무선 단말기 RF-fingerprint 특징 추출

본 절에서는 딥러닝 시스템의 입력을 위한 DRM fingerprinting 특징을 제안한다. 그림 4는 각 무선 단말기별 VHF 전송방식에 대한 극좌표 그래프이다. 그림 4에서 가로축은 θ_t이고 세로축은 r_t이다. θ_t, r_t 그래프에서 각 신호의 중간에 이어지는 점선은 신호의 rising과 falling 부분인데 이 부분의 모양이 각 무선 단말기에 따라서 다르게 나타남을 알 수 있다. 그림 4에서 θ_t는 동일 모델에서 rising과 falling 신호의 순서가 일정하지 않으나 r_t의 경우 동일 모델에서 동일한 개수의 컴포넌트를 가진다. 따라서 RF-fingerprinting 특징으로 θ_t보다는 r_t 보다 유용하게 사용할 수 있을 것으로 판단된다.

그림 4. 무선 단말기별 극좌표 그래프

Fig. 4. Polar Coordinate graph of each DMR.

그림 5는 시간축으로 r_t값을 200개의 신호를 누적하여 그래프로 도식화한 것이다. 가로축은 시간이고 세로값은 r_t이다.

첫 번째 줄은 모토롤라의 UHF로 수집한 5개 무선 단말기 신호이고, 두 번째 줄은 윈어텍의 UHF로 수집한 5 개 무선 단말기 신호이다. 그리고 세 번째 줄은 모토롤라의 VHF로 수집한 5개 무선 단말기 신호이고 마지막 줄은 윈어텍의 VHF로 수집한 5개 무선 단말기 신호이다. 그림 5의 특징을 분석하면 모토롤라와 윈어텍의 r_t그래프는 명확하게 형태가 다름을 알 수 있고, 동일 모델 내에서는 rising의 형태가 모델 간에 기울기 및 크기가 약간씩 차이가 남을 알 수 있다. 그리고 VHF 의 경우 모노톨라나 윈어텍 둘 다 어느정도 특성이 보이긴 하지만 변별력이 낮은 것으로 판단된다. 이러한 분석 결과 본 논문은 무선 단말기 RF-Fingerprinting 특징으로 시간 열에 대한 r_t값의 변화가 적합한 것으로 판단된다.

그림 5. 무선 단말기 r_t 그래프

Fig. 5. r_t graph of each DMR signal

III. 무선 단말기 딥러닝 구조 설계

1. 수정된 ResNet 기반 딥러닝 구조 설계

본 절에서 무선 단말기 RF-Fingerprint Identification (RFFI) 에 적용한 식별기 설계를 위해서 기존 2차원 데이터(이미지)를 입력으로 사용하는 ResNet^[10] 구조를 근간으로 1차원 신호를 처리하기 위한 ResNet-1D 구조를 제안한다.

ResNet은 기존 학습에서 기울기 값이 사리지는 문제 (vanishing gradient problem)를 해결하기 위해 제안된 방식으로써 네트워크는 0이 되도록 학습시키고 마지막에 x를 더해서 H(x)가 x가 되도록 학습하면 미분을 해도 x 자체는 미분값 1을 갖기 때문에 각 레이어마다 최소 기울기 값이 1을 가지게된다. 그림 6은 ResNet의 주요 핵심구조이다.

그림 6. ResNet의 Residual learning

모델 Fig. 6. Residual learning Model of ResNet

본 논문 기존 2D 이미지를 처리하는 ResNet 모델을 1차원 신호를 학습 할 수 있는 1D ResNet 구조로 변환하여 최적의 성능을 갖는 무선 단말기 RFFI를 위한 딥러닝 구조를 제안한다.

그림 7은 3개의 ResNet 구조을 1D의 ResNet 구조로 변환한 것이다. ResNet-1D 모델 중에서 18 Layer와 34 Layer 그리고 50 Layer를 대상으로 무선 단말기 분류을 위한 RFFI 시스템 실험을 진행하였다.

그림 7. 무선 단말기 RF Fingerprint를 위한 1D-ResNet 설계

Fig. 7. Development of 1D-ResNet for DMR RFFI

RFFI 시스템을 위한 ResNet-1D 구조는 기존 ResNet 모델의 convolution layer, pooling layer, batch normalization layer에서 2차원 데이터를 기준으로 연산하는 부분을 1차원 연산으로 수정하였다. 입력은 처음 Convolutional Layer(7x7 64 kernel, stride 2), Pooling Layer(stride 2)를 통과한 후 일정하게 반복되는 building block들을 통과하도록 구성되어있다. Building block은 2개의 Convolutional Layer를 통과한 출력에 입력을 그대로 더해주는 shortcut connection 으로 구성된다. 이 building block을 3개(3x3, 64 kernels), 4개(3x3, 128 kernels), 6개(3x3, 256 kernels), 3개 (3x3, 512 kernels) 의 순으로 구성해 입력의 channel이 점점 커지는 형태가 되도록 구성되며, 같은 종류의 building block 가장 처음 convolution layer에는 stride 2를 적용해 입력의 length는 1/2씩 줄어들게 된다. 이후 average pooling layer, fully connected layer, softmax layer 를 통과하여 최종 분류 결과를 출력한다.

그림 8은 수정한 여러 형태의 ResNet-1D 중에서 가장 안정적인 성능을 갖는 ResNet-1D 구조를 판단하기 위한 실험 결과이다. 실험은 전체 4000개의 데이터셋 중에서 80%의 데이터인 3200개는 학습에 사용하고 나머지 20%인 800개는 성능 분석에 사용하였다. 성능 분석 결과 대부분의 수정된 ResNet-1D 모델이 비슷한 성능을 보였으며, ResNet-1D 모델 최적화 과정에서 가장 안정적인 성능을 보인 것은 ResNet34-1D이다.

그림 8. ResNet-1D 모델별 성능 분석 결과

Fig. 8. Result by each ResNet-1D Model

그림 8의 confusion matrix를 보면 모토롤라 UHF 신호중에서 M04번과 M05번에서 약간의 에러가 발생하고 윈어텍 VHF 02번이 윈어텍 VHF 03으로 오인식됨을 알 수 있다. 본 논문은 이 부분에 대한 학습 알고리즘 최적화 방법을 통해서 고성능의 무선 단말기 분류를 위한 RFFI 시스템을 개발한다.

2. Step Decay를 이용한 ResNet34-1D 최적화

본 절에서는 수정된 ResNet32-1D 알고리즘의 최적화를 위해서 학습 최적화를 유도할 수 있는 Step Decay^[11] 알고리즘을 적용한다. Step Decay 알고리즘은 Learning rate decay 알고리즘 중의 하나로서 Learning rate가 높을 경우 loss 값을 빠르게 내릴 수는 있지만, 최적의 학습에 이르지 않을 수 있고, 이 값이 낮을 경우 최적의 학습을 할 수 있지만 학습 시간이 너무 오래 걸리는 문제를 해결하는 알고리즘 중의 하나이다. Step decay 알고리즘은 Learning rate 감소를 특정 epoch 기준으로 감소시키는 방식이다.

본 논문에서는 100 step과 150 step 단계로 학습 learning rate를 감소시키는 방식으로 학습을 최적화를 수행하였다. 아래는 Step decay 수식이다.

learning rate = 0.1 * learning rate       (3)

Ⅳ. 실험 및 결과

제안된 ResNet32-1D 구조를 적용한 무선 단말기 RFFI 시스템의 성능을 분석하기 위해서 전체 데이터 중 20%인 800개의 데이터를 입력으로 성능을 분석한다. 다음은 제안된 무선 단말기 RFFI 시스템의 학습 환경이다.

•batch size : 128

•Optimizer : Adam

•Learning rate : 0.001

•Step Decay : steps 100, 15

그림 9는 제안된 ResNet32-1D 구조를 이용한 무선단말기 RFFI 시스템의 성능을 보여주는 confusion matrix이다. 가로축과 세로축은 20종류의 무선 단말기를 나타내고 노란색으로 표시된 부분은 정확하게 인식된 결과 데이터의 개수이다. 제안된 시스템은 99.5%의 분류정확도가 나타남을 확인하였다.

그림 9. 제안된 ResNet32-1D의 Dconfusion matrix

Fig. 9. confusion matrix of proposed ResNet32-1D

Ⅴ. 결 론

본 논문은 무선 단말기 RF 신호인 In-phase(I) 와 Quadrature(Q) 신호로부터 동종 무선 단말기 및 이기종 무선 단말기를 분류할 수 있는 fingerprinting 특징을 분석하고 이를 입력으로 최적의 성능을 갖는 무선 단말기용 RF-fingerprint를 위한 딥러닝 기반 식별기를 개발한다.

I/Q 레벨에서 무선 단말기 RF fingerprinting 특징으로 데이터의 내용을 분석하는 _ 보다는 _ 에 무선 단말의 고유 특징이 나타남을 확인하였다. 그리고 ResNet-2D 모델을 최적화하여 무선단말기용 RFFI 시스템을 위한 ResNet32-1D의 구조를 제안하였다.

제안된 ResNet32-1D 구조의 성능 검증을 위해서 20 대의 무선 단말기(이기종 2개, 동일 모델 10개씩) 에에서수집된 데이터셋을 이용하여 성능 분석한 결과 99.5%의 높은 분류 정확도가 나타남을 확인하였다.

향후 연구에서는 다양한 노이즈 환경에서 제안된 RFFI 시스템의 성능을 분석하고, 무선 단말기용 fingerprinting 특징의 유용성을 분석할 예정이다.