Machine Learning for Radio Frequency Fingerprint Recognition

Abstract

In radio frequency fingerprint recognition, devices transmitting radio signals are identified based on their analogue imperfections. Although the identification has traditionally been performed by constructing models and recognising features in signals, the state of the art usually relies on machine learning. In data-driven techniques, the machine learning model extracts features of the signals and classifies them accordingly. Neural networks (NN) are a popular choice among machine learning classifiers.

Radio-frequency signals are inherently complex-valued, and thus it is often appropriate to apply complex-valued operations to them. More precisely, proper methods should be used for non-circular signals that have correlated real and imaginary parts. In-phase quadrature (IQ) imbalance is a signal impairment that creates non-circularity into a signal.

In this Master's thesis, radio frequency fingerprint classification is studied with the help of two different neural networks, that use real-valued or complex-valued signal processing, respectively. Non-circular radio frequency fingerprint data using IQ-imbalance is simulated for the classification. The differences of the performances of the two neural networks are examined, as well as their robustness with regard to the number of trainable parameters, i.e. the size of the NN, and the size of the training data. Based on the results, complex-valued neural networks offer robustness when classifying non-circular radio frequency fingerprint signals because they show less variation in classification accuracy when the NN size is changing. On the other hand, classification accuracy of real-valued neural networks is highly dependent on the NN size. Thus, complex-valued neural networks are recommended for classification of non-circular radio-frequency fingerprint data.

Radiosormenjälkitunnistuksessa radiosignaalia lähettävät laitteet tunnistetaan analogisten epäideaalisuuksiensa perusteella. Vaikka tunnistus on perinteisesti perustunut malleihin ja signaalista erotettavien piirteiden suunnitteluun, käyttävät nykymenetelmät yleisesti koneoppimista. Datapohjaisissa menetelmissä koneoppimismalli sekä tunnistaa itsenäisesti signaalien piirteitä että lajittelee ne eri luokkiin. Neuroverkot (NN) ovat laajasti käytettyjä koneoppimispohjaisia luokittimia.

Radiosignaalit ovat luonnostaan kompleksiarvoisia, ja siksi on usein suositeltavaa käsitellä niitä kompleksiarvoisin operaatioin. Sopivia menetelmiä kannattaa käyttää erityisesti epäsirkulaarisille signaaleille, joiden reaali- ja imaginääriosat ovat korreloituneita. Samanvaiheis-kvadratuurin (IQ) imbalanssi on signaalihäiriö, joka lisää signaaliin epäsirkulaarisuutta.

Tässä diplomityössä radiosormenjälkien luokittelua on tutkittu kahden, reaali- ja kompleksiarvoista signaalinkäsittelyä hyödyntävän, neuroverkon avulla. Epäsirkulaarista, IQ-imbalanssia sisältävää radiosormenjälkidataa on simuloitu luokittelua varten. Eri neuroverkkojen suoriutumisten eroja sekä niiden robustisuutta opetettavien verkkoparametrien lukumäärän eli neuroverkon koon sekä opetusdatan koon suhteen on analysoitu. Tulosten perusteella kompleksiarvoiset neuroverkot ovat epäsirkulaarisia radiosormenjälkisignaaleja luokitellessaan reaaliarvoisia robustimpia, sillä verkkoparametrien lukumäärän muutos vaikuttaa niiden luokittelutarkkuuteen vain vähän. Reaaliarvoisilla neuroverkoilla taas luokittelutarkkuudet riippuvat suuresti valitusta neuroverkon koosta.