Discente: Kaio Junio Gonçalves
Orientadora: Eliana Pantaleão
Título: Autenticação de Dispositivos de Comunicação sem fio utulizando aprendizagem profunda
_________________________________________________________________________
O TCC da graduado Kaio Junio Gonçalves, do curso de Engenharia Eletrônica e de Telecomunicações, pela UFU no campus Patos de Minas, propõe uma abordagem interessante para autenticação de dispositivos eletrônicos de transmissão sem fio, com principais pontos em Assinatura Única: Dispositivos emissores de sinais sem fio deixam variações físicas únicas nos sinais que emite. Base de Dados e Treinamento: O estudo coletou sinais emitidos por dispositivos de comunicação sem fio de baixo custo usando um equipamento de Rádio Definido por Software (SDR). Esses sinais foram processados para criar uma base de dados. Em seguida, uma Rede Neural Convolucional (CNN) foi treinada e validada usando essa base de dados. A CNN alcançou uma impressionante acurácia de 98% na identificação dos dispositivos, usando apenas os sinais emitidos por eles.
Implementação Passiva: A tecnologia proposta funciona de forma passiva, o que significa que não é necessário alterar a programação dos demais elementos de borda da rede.
Aplicação: Essa abordagem pode ser implementada nos elementos de controle e gateway de uma rede de dados para autenticar dispositivos. Ela utiliza padrões únicos em sinais de radiofrequência para diferenciar inequivocamente um dispositivo de outro.
INTRODUÇÃO
À medida que a IoT emerge como uma das principais tendências que moldam o desenvolvimento das Tecnologias de Informação e Comunicação (TICs) deve-se aumentar a preocupação com as possíveis vulnerabilidades. O ecossistema da Internet das Coisas é composto, em boa parte, pelos chamados dispositivos inteligentes. São dispositivos pequenos e altamente restritos em termos de memória, poder de processamento, autonomia de bateria e capacidade de comunicação.
Nesse contexto, esse trabalho visa explorar a viabilidade de um sistema de autenticação que identifique inequivocamente um transmissor, utilizando-se das características físicas únicas que componentes eletrônicos imprimem em suas ondas de radiofrequência, como uma espécie de “impressão digital” do transmissor, a fim de fornecer uma camada adicional de segurança para dispositivos sem fio de baixo custo.
RÁDIO DEFINIDO POR SOFTWARE
Os Rádios Definidos por Software ou SDR são um conjunto de tecnologias que envolvem hardware e software, de tal forma que, funções antes implementadas em hardware passaram a ficar a cargo do software, tornando-os mais flexíveis e fáceis de serem programados.
Utilizando aprendizado de máquina é possível treinar uma rede neural artificial com as amostras I/Q para que ela possa diferenciar um transmissor de outro através de padrões únicos nos sinais.
APRENDIZADO DE MÁQUINA
A prendizado de Máquina (AM) ou Machine Learning (ML) é o campo de estudos que dá aos computadores a habilidade de aprenderem sem serem explicitamente programados. Existem diferentes tipos de sistemas de Aprendizado de Máquina que podem ser classificados com base em várias características. Uns podem ser treinados com ou sem supervisão humana. Outros podem ou não aprender rapidamente de forma incremental.
REDES NEURAIS ARTIFICIAIS
As Redes Neurais Artificiais (RNAs) são uma técnica de Aprendizado de Máquina. São inspiradas na arquitetura do cérebro e em neurônios biológicos. No entanto, a analogia serve apenas de inspiração, uma vez que as RNAs têm tomado caminhos diferentes dos biológicos. As RNAs são aplicações versáteis, poderosas e escaláveis, o que as tornam ideais para tarefas complexas como classificar bilhões de imagens, prover serviços de reconhecimento de fala, recomendar resultados de pesquisas na Internet ou derrotar campeões mundiais em jogos. O neurônio artificial modificado utilizado é chamado de unidade linear com threshold ou Linear Threshold Unit (LTU) e pode ser visto na Figura abaixo.
REDES NEURAIS CONVOLUCIONAIS
As Redes Neurais Convolucionais (CNN) emergiram do estudo do córtex visual do cérebro. Trata-se de uma poderosa arquitetura capaz de detectar todos os tipos de padrões complexos no campo visual. Além disso as CNNs não estão restritas ao campo visual, sendo também bem-sucedidas no reconhecimento de voz e no processamento de linguagem natural.
O esquema proposto para a implementação da pesquisa está representado na Figura que se segue. Ele consiste em utilizar os controles para emissão dos sinais. Em seguida, os sinais são coletados por meio de um equipamento de rádio definido por software. O próximo passo é realizar o tratamento desses sinais e armazená-los como uma base de dados para o treinamento da rede. Por fim, a rede é treinada utilizando a base de dados coletada.
TRANSMISSORES SEM FIO
As faixas de frequência Industrial Sientific and Medical (ISM) são bandas reservadas internacionalmente para o desenvolvimento industrial, científico e médico. Tratamse de partes do espectro de frequência para desenvolvimentos livres, sem a necessidade de licenciamento, desde que seguidas as normas de limitação de potência de transmissão e de técnicas de modulação para essas faixas.
Primeiramente foi definida uma taxa de amostragem de dados de 2,4 MHz. A frequência central foi definida em 433,9 MHz. Dessa forma, o RTL-SDR captura sinais com frequências entre 432,7 MHz e 435,1 MHz. O ganho foi definido em 4 dB para não saturar o sinal. A interface Pyhton para o SDR exige que o número de amostras seja múltiplo de 256, por isso foram coletadas um pouco mais de dezesseis milhões de amostras por radio transmissor (256 ∗ 65536 = 16777216).
Técnicas de processamento de sinal melhoram os processos subsequentes de análise e conferem maior legibilidade.
ARQUITETURA E TREINAMENTO DA CNN
A rede possui como entrada uma matriz bidimensional de tamanho 32x32. Em seguida, é composta por camadas convolucionais, sendo a primeira composta por 128 f iltros convolucionais de tamanho 5 com escorregamento ou stride 1. A segunda camada convolucional possui 96 filtros, tamanho 1 e stride 1. A terceira camada possui 64 filtros, tamanho 1 e stride 1. As três utilizam o zero padding e a função de ativação PReLU.
CONCLUSÃO
Ao longo desse trabalho, exploramos o potencial e a aplicação das redes neurais convolucionais (CNNs) na área de reconhecimento de sinais. Foram desenvolvidos métodos para amostragem de sinais, processamento dos dados, construção de base de dados, implementação e utilização de uma rede neural convolucional para autenticação de dispositivos de transmissão.
Podemos concluir que a rede neural convolucional proposta demonstra a viabilidade de um sistema de autenticação que identifique um transmissor através de suas ondas de rádio frequência. Podemos afirmar ainda que é viável a aplicação de tal sistema como uma camada adicional de segurança em redes de dados contendo dispositivos sem f io de baixo custo. Com 98% de acurácia no treinamento e 99% na validação, a CNN proposta se mostrou capaz de generalizar para além dos dados de treinamento.
A performance alcançada reforça a hipótese de que os dispositivos eletrônicos de transmissão sem fio imprimem variações físicas únicas nos sinais que emitem e que essas variações podem ser utilizadas como uma assinatura ou “impressão digital” do dispositivo emissor. Apesar dos desafios, as CNNs provaram ser uma ferramenta poderosa e promissora, com capacidade de identificar esses padrões únicos e diferenciar inequivocamente um dispositivo de outro.
Comments