Varyasyonel Kip Ayrıştırıcı Kullanarak Bluetooth Cihazların Radyo Frekans Parmak İzi Çıkarımı

Abstract

Bu tez çalışmasında, Varyasyonel Kip Ayrıştırıcı (VKA) tabanlı Radyo Frekans (RF) parmak izi çıkarımı çalışılmıştır. RF parmak izi kullanımı, radyo cihazları tarafından iletilen geçiş(transient) sinyallerinin özniteliklerinin tanımlanmasına dayanmaktadır. RF cihazların geçiş sinyalleri, kısa süreli, durağan olmayan ve doğrusal olmayan zaman serileridir. Bundan dolayı, öncelikle VKA ile Bluetooth (BT) cihazların geçiş sinyalleri bant-sınırlı modlara ayrıştırılmakta ve ardından sinyal tekrar oluşturulmaktadır. Hem VKA ile yeniden oluşturulan hemde VKA modlarının yüksek dereceli istastiksel öznitelikleri çıkarılmaktadır. BT cihazlarını sınıflandırmada ise Doğrusal Destek Vektör Makinaları (DDVM-LSVM) sınıflandırıcısı kullanılmaktadır. Tez kapsamında önerilen yöntem, farklı marka, model ve seride BT cihazlarında deneysel olarak test edilmiştir. Önerilen VKA tabanlı RF parmak izi çıkarımı yönteminin, Hilbert-Huang transformu kullanılarak elde edilen zaman-frekans-enerji dağılımı tabanlı yöntemlerden en az %8 daha iyi bir başarım sağladığı deneysel veriler ile gösterilmektedir. Bu başarım, önceki yöntemdeki Sinyal-Gürültü Oranının (SGO-SNR) 2-3 dB altında ve daha az öznitelik ile elde edilebilmektedir. Ayrıca, VKA modlarının özniteliklerinin direk kullanılması durumundaki başarım, VKA ile yeniden oluşturulan sinyalden çıkarılan öznitelikler kullanılarek elde edilen başarımdan %4 daha yüksek bulunmuştur.In this thesis, we evaluated the performance of RF fingerprinting method based on variational mode decomposition (VMD). Radio frequency fingerprinting (RFF) is based on identification of unique features of RF transient signals emitted by radio devices. RF transient signals of radio devices are short in duration, non-stationary and nonlinear time series. For this purpose, VMD is used to decompose Bluetooth (BT) transient signals into a series of band-limited modes, and then, the transient signal is reconstructed from the modes. Higher order statistical (HOS) features are extracted from the complex form of VMD-reconstructed transients and VMD-modes. Then, Linear Support Vector Machine (LVM) classifier is used to identify BT devices. The method has been tested experimentally with BT devices of different brands, models and series. The classification performance shows that VMD-reconstructed transients method achieves better performance (at least 8% higher) than time-frequency-energy (TFED) distribution based methods such as Hilbert-Huang Transform. This is demonstrated with the same dataset but with smaller number of features (nine features) and slightly lowers (2-3 dB) SNR levels. For the same dataset the classification performance demonstrates that VMD-modes method achieves better performance (4% higher) than VMD-reconstructed transient method.