Bluetooth sinyallerinin RF parmak izi yöntemi ile sınıflandırılmasında öznitelikler ve sınıflandırıcıların değerlendirilmesi

Abstract

Bu tez çalışması, kablosuz ağların güvenliği için fiziksel katmanda özgün yöntemler geliştirilmesi üzerinedir. Bunun için, RF parmak izi kullanılarak, Bluetooth (BT) sinyalleri üzerinde çalışılmıştır. RF parmak izi tespiti için kapsamlı BT sinyalleri kullanılmıştır. Bu kapsamda, 20 farklı marka, model ve seride BT cihazına yönelik kayıtlar toplanmıştır. Her bir cihazdan da 150 sinyal kaydı alınmıştır. Bu çalışma ile Hilbert-Huang Dönüşümü (HHT) ilk defa BT cihaz kimliklendirmesinde kullanılmıştır. Amprik Kip Ayrıştırma (EMD) ve Hilbert Dönüşümü kullanımı ile HHT tekniği, zaman-frekans-enerji dağılımları üzerinde çalışma imkanı vermektedir. Sinyal enerji zarfı kullanılması suretiyle geçici rejim sinyalleri bazı iyileştirmeler ile tespit edilmektedir. Geçici rejim sinyalleri ile zaman-frekans-enerji dağımları üzerinden toplam 13 farklı öznitelik çıkarılmaktadır. Öznitelikler, kullanılabilirlik açısından ön işleme tabi tutulmaktadırlar. Ardından aynı veri seti ve öznitelikler üzerinde farklı sınıflandırıcılar çalıştırılarak, sınıflandırıcıların başarım analizi de ilk defa bu çalışmada sunulmaktadır. Sınıflandırıcı başarım analizleri 8 dB ile 30+ dB arasında farklı sinyal-gürültü oranlarında yapılmaktadır. Sınıflandırma başarım sonuçları yöntemin kullanılabilirliğini göstermektedir.In this thesis, we introduced a novel technique to enhance the security at physical layer of wireless networks. This is based on the use of radio freqency (RF) fingerprinting for Bluetooth (BT) signals. BT signal records are acquired from twenty different cell phone brands, models, and serial numbers. One hundred fifty records are collected from each device. For the first time, Hilbert Huang Transform (HHT) are used for the BT device identification with such huge data set. By means of the signals' energy envelopes with some improvements, the transient signals are detected accurately. Through the Empirical mode decomposition (EMD) and Hilbert Transform (HT), the HHT is implemented to obtain Time Frequency Energy Distributions (TFED) of the detected transients. Thirteen features are extracted from the signals' transients and their TFEDs. The extracted features are pre-processed to enhance their usability. Different classifiers are employed with the extracted features for device identification, and comparative analysis of the classifiers is also provided. The classifier performance is examined for different SNR levels from 8 dB to 35+ dB . The identification performance demonstrates the feasibility of the method.