Nhận Dạng Thiết Bị Dựa Trên Tín Hiệu Vô Tuyến Sử Dụng Deep Metric Learning

Nội Dung

• 1. Giới thiệu
• 2. Các nghiên cứu liên quan
• 3. Phương pháp
• 4. Thử nghiệm
• 5. Kết quả

1. Giới thiệu

Radio Frequency Fingerprinting (RFF) là kỹ thuật nhận dạng thiết bị vô tuyến dựa trên đặc trưng duy nhất (fingerprint) phát sinh từ sai lệch phần cứng trong quá trình truyền tín hiệu RF.

• Mỗi thiết bị (WiFi, IoT, điện thoại, drone, v.v.) khi phát sóng đều có những lỗi nhỏ không thể tránh trong mạch (oscillator, PA, DAC…).
• Những sai lệch này tạo nên một “dấu vân tay” điện từ riêng biệt.
• Bằng cách trích xuất các đặc trưng này từ tín hiệu nhận được (ví dụ: IQ imbalance, phase noise, transient, spectral features…), ta có thể xác định và phân biệt thiết bị ngay cả khi chúng dùng cùng chuẩn truyền thông và địa chỉ MAC/IP.

Ứng dụng chính của RFF

• An ninh mạng không dây: phát hiện giả mạo, ngăn spoofing.
• IoT: nhận dạng và xác thực thiết bị nhẹ nhàng, không cần giao thức nặng.
• Quân sự & Drone: phân biệt máy bay không người lái.

2. Các nghiên cứu liên quan

Nhận dạng tín hiệu transient

Các nghiên cứu cho thấy giai đoạn transient trong tín hiệu vô tuyến (giữa nhiễu và ổn định) chứa nhiều đặc trưng quan trọng cho việc nhận dạng thiết bị. Việc xác định chính xác ranh giới transient là then chốt, tránh sai lệch ảnh hưởng đến quá trình trích xuất đặc trưng và huấn luyện.

Hai phương pháp phổ biến để phát hiện:

• Bayesian change point detection: dựa trên thay đổi fractal dimension.
• Phase-Based detection: dựa trên biến thiên pha tuyến tính trong giai đoạn transient.

Ứng dụng Học máy và Học sâu

Sau khi tách được tín hiệu transient, các mô hình học máy có giám sát như SVM cho kết quả tốt, nhưng phụ thuộc mạnh vào tính chính xác của việc tách transient.

Để khắc phục, học sâu (CNN, LSTM) tận dụng toàn bộ tín hiệu, giảm phụ thuộc vào bước xác định transient và nâng cao độ chính xác. Gần đây, các mô hình như RiftNet được áp dụng để nhận dạng thiết bị từ tín hiệu Bluetooth của điện thoại thông minh.

3. Phương pháp

Phân loại tín hiệu với Machine Learning

Đặc trưng pha tức thời

• Dựa trên tín hiệu transient-based RF fingerprinting.
• Trích xuất các đặc trưng thống kê bậc cao: skewness, kurtosis, variance từ:
  • Biên độ tức thời
  • Tần số tức thời
  • Pha tức thời
• Các đặc trưng này phản ánh sai lệch phần cứng vi mô, tạo “dấu vân tay” riêng cho thiết bị.

Đặc trưng TFED

• Sử dụng Hilbert-Huang transform để phân tích tín hiệu theo miền thời gian – tần số.
• Trích xuất các nhóm đặc trưng:
  • Transient Signal (ví dụ: thời lượng, năng lượng, entropy pha)
  • Envelope (ví dụ: năng lượng, phương sai phong bì)
  • TFED-Time (ví dụ: độ dốc, phương sai, cực đại phân bố năng lượng)
  • TFED-Frequency (ví dụ: cực đại, phương sai năng lượng)
• Hạn chế: cần trích xuất thủ công, phụ thuộc vào việc xác định chính xác transient, dễ mất thông tin khi tần số lấy mẫu thấp.

Phân loại tín hiệu với RiftNet

Kiến trúc mô hình RiftNet

• RiftNet có hai nhánh:
  • Nhánh (A): xử lý đoạn tín hiệu dài (~16 μs).
  • Nhánh (B): xử lý đoạn tín hiệu ngắn (~2.5 μs).
• Cả hai nhánh dùng Dilated Convolutional Cells (DCC) với tỷ lệ giãn khác nhau để khai thác thông tin đa mức thời gian.
• Kết quả trung gian được kết hợp bằng skip connections rồi đưa vào tầng phân loại.
• Ưu điểm: khai thác hiệu quả đặc trưng RF, giảm phụ thuộc vào bước trích xuất thủ công.

Metric Learning và Open Set Problem

• Sau khi huấn luyện RiftNet, lớp softmax được bỏ đi.
• Áp dụng metric learning với contrastive loss, huấn luyện thêm 20 epoch.
• Trích xuất vector tiềm ẩn (latent vectors) của người dùng đã biết và lập chỉ mục bằng FAISS để truy vấn và đánh giá.
• Đặt ngưỡng 1.0 (Euclidean distance) trong không gian embedding để phân biệt người dùng đã biết và người dùng chưa biết.

4. Thử nghiệm

Dữ liệu

• Bộ dữ liệu công khai từ nghiên cứu của Uzundurukan et al. (2020), xuất bản ở tạp chí Data, MDPI vào năm 2020, với tiêu đề bài báo “A Database for the Radio Frequency Fingerprinting of Bluetooth Devices”.
• Link bài báo: https://www.mdpi.com/2306-5729/5/2/55
• Link bộ dữ liệu: https://doi.org/10.5281/zenodo.3876140
• Tín hiệu Bluetooth (BT), tốc độ lấy mẫu 250 Msps.
• Gồm 13 thiết bị thuộc 5 thương hiệu, tổng cộng ~1950 bản ghi từ 33 điện thoại.
• Chia dữ liệu: 80% train – 20% test.

Danh sách thiết bị: iPhone 4s, 5, 5s, 6, 6s, 7, 7 Plus, LG G4, Samsung Note 2, Note 3, S3, J7, Xiaomi Mi 6.

Phân loại với Machine Learning

• Mô hình sử dụng: SVM, LDA, Decision Tree, Random Forest, XGBoost, CatBoost, Gradient Boosting.
• Thư viện: scikit-learn, XGBoost, CatBoost.
• Dùng siêu tham số mặc định.
• Huấn luyện và đánh giá trên cùng tập dữ liệu.

Phân loại với RiftNet

• Huấn luyện 100 epoch.
• Optimizer: Adam, learning rate = 1e-4.
• Loss function: cross-entropy (phù hợp cho phân loại).

5. Kết quả

Phân loại với Học máy

• Đặc trưng pha tức thì (Instantaneous features):
  • SVM đạt 67.42% (train) và chỉ 42.22% (test) → hiệu quả thấp.
• Đặc trưng TFED:
  • LDA: 73.64% (train) / 72.93% (test)
  • Decision Tree: 100% / 56.57%
  • Random Forest: 100% / 69.19%
  • XGBoost: 100% / 70.61%
  • CatBoost: 99.12% / 72.12%
  • Gradient Boosting: 99.55% / 65.35%

👉 Kết quả cho thấy hiện tượng overfitting: mô hình đạt độ chính xác rất cao trên tập huấn luyện nhưng giảm mạnh trên tập kiểm tra. Nguyên nhân chính là khó xác định chính xác giai đoạn transient, khiến đặc trưng thủ công (instantaneous, TFED) chưa đủ mạnh.

Phân loại với RiftNet

Đồ thị hàm loss trong quá trình training

Đồ thị accuracy trên tập train

Đồ thị accuracy trên tập test

Confusion matrix trên tập test

• Mô hình hội tụ nhanh và ổn định: loss giảm mạnh ở các epoch đầu.
• Hiệu suất tăng đều trên cả train và test.
• Kết quả tốt nhất tại epoch 96:
  • Train accuracy: 99.4%
  • Test accuracy: 96.57%
• Có dao động nhẹ ở test do dữ liệu kiểm tra còn nhỏ và chưa đa dạng, dễ gây sai lệch phân bố dữ liệu (distribution shift).

👉 RiftNet vượt trội hơn hẳn so với các mô hình học máy truyền thống, cho thấy sức mạnh của học sâu trong nhận dạng RFF.

Kết quả Metric Learning trong Open Set

Biểu diễn các latent vector được gom thành các cluster với t-SNE plot

• Sau khi áp dụng metric learning, không gian latent hình thành các cụm rõ ràng tương ứng với người dùng đã biết.
  • Thiết bị cùng lớp được nhóm thành các cụm gọn gàng.
  • Các lớp khác nhau tách biệt rõ ràng.
  • Thiết bị chưa thấy trước đó xuất hiện như outliers, dễ nhận diện.

Openset problem trên tập test (có unknown user)

• Thử nghiệm trên tập test hỗn hợp (cả known và unknown devices):
  • Confusion matrix cho thấy dự đoán các lớp đã biết chính xác và ổn định.
  • Một số nhầm lẫn xảy ra chủ yếu với lớp unknown, điều này là bình thường trong tình huống open-set.
  • Với ngưỡng 1.0 (Euclidean distance), hệ thống đạt 97.05% độ chính xác trong phân biệt known/unknown.

👉 Kết quả chứng minh RiftNet kết hợp metric learning có khả năng tổng quát cao và tiềm năng mạnh trong xác thực thiết bị dựa trên tín hiệu vô tuyến trong môi trường open-set.

Bài báo được xuất bản ở hội nghị APSIPA ASC 2025, check here.

Code được sử dụng trong nghiên cứu nằm ở repository này, check here.