关于基于深度学习的LoRa无线电频率指纹识别识别的全面调查
Aqeel Ahmed1, Bruno Quoitin1, Alexander Gros2
1Department of Computer Science, Faculty of Science, University of Mons, Av. du Champ de Mars, 7000 Mons, Belgium.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
基于深度学习的无线电频率指纹识别 (RFFI) 为识别物联网 (IoT) 设备提供了强大的解决方案,克服了传统加密技术在LoRa安全方面的局限性.
科学领域:
- 无线通信无线通信
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 对于低功耗,远程物联网通信来说,LoRa是至关重要的.
- 安全性和设备识别是LoRa部署的主要关注点.
- 现有的加密方法面临着资源和物理攻击的限制.
研究的目的:
- 为LoRa设备提供基于深度学习的射频指纹识别 (RFFI) 提供全面的调查.
- 分析射频指纹技术和用于发射器识别的硬件缺陷.
- 审查深度学习算法,信号表示和用于LoRa设备分类的数据集.
主要方法:
- 对LoRa.Ra的最先进的深度学习RFFI技术进行调查.
- 分析硬件缺陷,以寻找独特的设备签名.
- 检查各种深度学习模型和LoRa信号表示.
- 审查现有的LoRa射频信号数据集.
主要成果:
- 深度学习RFFI显示了安全的LoRa设备识别的希望.
- 硬件缺陷为识别提供了可利用的内在特征.
- 应用了各种深度学习算法和信号表示.
- 提供了数据集的全面审查,包括硬件和信号细节.
结论:
- 基于深度学习的RFFI是用于LoRa设备识别的加密技术的可行替代方案.
- 确定了这一领域的挑战和未来的研究机会.


