基于深度学习的设备指纹识别最近被认为是自动化网络访问身份验证的关键推动因素。由于复制物理特征的固有难度,其对模仿攻击的稳健性是区别于常规加密解决方案的原因。尽管设备指纹刻印已显示出令人鼓舞的性能,但其对网络操作环境变化的敏感性仍然构成主要限制。本文提出了一个实验框架,旨在研究和克服支持LORA的设备指纹对此类变化的敏感性。首先,我们首先描述使用启用LORA的无线设备测试台收集的RF数据集。然后,我们提出了一种新的指纹技术,该技术利用了由硬件损伤引起的带外失真信息,以提高指纹精度。最后,我们通过实验研究和分析Lora RF指纹对各种网络设置变化的敏感性。我们的结果表明,当在相同的设置下对学习模型进行培训和测试时,指纹识别相对较好。但是,当在不同的设置下接受训练和测试时,这些模型对通道状况的变化表现出适度的敏感性,以及对协议配置和接收器硬件的严重敏感性,当智商数据用作输入时。但是,使用FFT数据作为输入,它们在任何变化下的性能都差。
translated by 谷歌翻译