Radyo Frekansı (rf) Parmak İzi Kullanarak Cihaz Yetkilendirmesi

Abstract

Nesnelerin İnternetinin (Nİ) genişleyen kullanım alanları, kablosuz ağlardaki güvenliğin önemini daha da artırmıştır. Kısıtlı işlem kapasitesine sahip bu cihazlarda karmaşık şifreleme yöntemleri her zaman kullanışlı değildir. Bunun sonucunda Radyo Frekanslı (RF) Parmak İzi yöntemi tanıtıldı ve başarılı sonuçlar ortaya konuldu. IoT cihazların üretim aşamalarındaki donanımsal farklılıklar kullanılarak cihazlar için bir kimlik elde edilmiştir. Bu sayede cihaz sınıflandırması ve yetkilendirmesi yapmak mümkün hale gelerek fiziksel katman güvenliğine katkı sağlanmıştır. Bu uygulamalar derin öğrenme (DÖ) ile yapılarak çok başarılı sınıflandırma doğrulukları elde edilmiştir. Ancak bu modeller, uygulama açısından, hala gelişmeye ihtiyaç duymaktadır. Bu tezde, 1 boyutlu Evrişimli Sinir Ağı (ESA) modeli ile çıkarım aşamasındaki gecikmenin düşürülmesi sunulmaktadır. 55 LoRa cihazından oluşan açık kaynak bir veri seti kullanılmıştır. Ön işleme yöntemleri olan Short Time Fourier Transform (STFT) ve Fast Fourier Transform'un (FFT) sınıflandırma doğruluğu ve çıkarım süresi bağlamında karşılaştırmaları yapılmıştır. Ek olarak, sunulan model 2 boyutlu ESA modeliyle karşılaştırılmıştır. Bu hafif model, çıkarım süresi açısından önemli iyileştirme sağlarken doğruluk açısından yalnızca çok küçük ve kabul edilebilir kayıplar gözlemlenmiştir.With the increasing usage areas of the Internet of Things (IoT), the importance of ensuring security in wireless networks has grown. Nevertheless, power-constrained devices cannot utilize intricate encryption techniques. Later on, Radio Frequency Fin gerprinting (RFF) appeared, showcasing encouraging outcomes. A unique identity was derived from the distinct hardware variations during the production phases of IoT devices. This enabled device classification and verification functions, enhancing phys ical layer security. These applications were developed using deep learning (DL) tech niques, resulting in highly accurate classification outcomes. Nevertheless, there is still room for enhancement when it comes to putting these DL models into practice. This thesis discusses decreasing inference latency through a lightweight 1D Convolutional Neural Network (CNN) model. A dataset containing 55 LoRa devices in an open-set was utilized. Preprocessing methods of Short Time Fourier Transform (STFT) and Fast Fourier Transform (FFT) were compared based on classification accuracy and in ference latency. Furthermore, the model that was introduced was evaluated against the 2D CNN model. Even though the lightweight model offers a notable enhancement in inference speed, there are slight and tolerable reductions in its accuracy.