Каждое устройство, передающее радиоволны, имеет уникальный и идентифицируемый RF fingerprint, который возникает вследствие очень небольших вариаций в процессе изготовления аппаратного обеспечения. Это означает, что устройства, использующие идентичные передатчики той же марки и модели, все равно можно различать друг от друга.
Нихал Пашам использовал эти знания как способ безопасной идентификации IoT-датчиков и других RF устройств, таких как брелоки автомобильных ключей. Идея состоит в том, что эти уникальные RF fingerprint невосприимчивы к подделке аутентификации, которая могла бы быть использована для создания поддельного передатчика с поддельными данными. Он предполагает, что RF fingerprinting может быть использован в качестве дополнительной проверки подлинности для недорогих IoT-устройств с базовой безопасностью.
Чтобы распознать мельчайшие различия в RF fingerprint разных устройств, Нихал отмечает необходимость наличия эффективного алгоритма распознавания образцов, и что нейронная сеть глубокого обучения подходит для этого. Используя программное обеспечение нейронной сети TensorFlow и RTL-SDR для захвата сигнала, он смог обучить концептуальную нейронную модель, которая смогла классифицировать два тестовых передатчика с точностью 97%.
Ранее мы видели подобные эксперименты Ооны Ряисанен, которая использовала RTL-SDR для отпечатывания отпечатков нескольких портативных радиостанций, услышавшихся в эфире, через небольшие вариации в мощности и частотах сигнала CTCSS каждой радиостанции. Используя простые техники кластеризации, она смогла точно определить, кто передает, основываясь на уникальном CTCSS.
Подобным образом Disney Research также работает над техникой RF fingerprinting, которая использует наручные часы на базе RTL-SDR для идентификации того, какие конкретно электронные устройства касается носитель.
Источник:
