RF parmak izi kullanılarak IoT cihaz tanımada meta aşırı öğrenme makinası tabanlı başarım analizi

Abstract

Günümüzün gözde teknolojilerinden biri olan IoT kavramının ortaya çıkması, akıllı cihazların getirdiği kolaylıklar ve kullanımının yaygınlaşmasıyla birlikte kablosuz cihazların sayısı artmakta ve buna bağlı olarak cihazlar arasında yoğun ve karmaşık bilgi iletişim ağları oluşmaktadır. IoT uygulamalarında yaygın olarak kullanılan birçok cihaz türü, farklı iletişim standartlarını kullanarak haberleşmektedir. Haberleşme sürecinde bilgi iletişim ağlarına yetkisiz erişim ve saldırıları önlemek amacıyla güvenlik kavramı ön plana çıkmaktadır. Fakat, IoT cihazlarının doğası gereği kaynakları kısıtlıdır. Bu nedenle, cihazlarda güvenlikle ilgili özelleştirilmiş önlemlerin alınması mümkün olmamaktadır. Güvenlik sorununu çözmek için cihazların donanımsal tekilliğini barındıran RF parmak izleri IoT cihazlarını tanımlamak ve doğrulamak için kullanılmaktadır. Bu çalışmada, düşük maliyetli yazılım tanımlı radyo, tek kartlı bir bilgisayar ve açık kaynaklı yazılım kullanarak tasarlanmış ve gerçeklenmiş bir sistem ile RF sinyalleri yakalanıp kayıt altına alınmıştır. Yakalanan sinyallerin özniteliklerini çıkarmak için sinyalin geçici bölgesi/kısmı belirlenir ve Hilbert dönüşümü (HD) kullanılarak anlık genlik (AG), anlık faz (AFa) ve anlık frekans (AFr) değerleri elde edilmiştir. En baskın öznitelikleri seçmek için bu değerlere çarpıklık, basıklık, standart sapma, varyans ve medyan değer gibi çeşitli istatistiksel yöntemler uygulanmamıştır. Öznitelik boyutu, minimum artıklık ve maksimum alaka düzeyi tekniği kullanılarak indirgenmiştir. IoT cihazı tanımlama için sınıflandırıcı olarak AÖM tabanlı Meta-AÖM, Çok Katmanlı Meta-AÖM (ÇK-Meta-AÖM) ve Kısıtlı Karma Meta-AÖM (KK-Meta-AÖM) ağ yapıları ve bu yapılar için AÖM tabanlı öğrenme algoritmaları kullanılmıştır. Anılan son iki AÖM tabanlı ağ yapısı bu tez çalışması kapsamında geliştirilmiş özgün ağ yapılarıdır. Bu sınıflandırıcıların başarımı, 7 cihazdan alınan 3752 ham sinyalden oluşan özgün veri kümesine göre deneysel olarak değerlendirilmiştir. Deneysel değerlendirmeler sonucunda, ÇK-Meta-AÖM ağının cihazları %88 doğruluk oranıyla, Meta-AÖM ağının ise %90 civarında bir doğruluk oranıyla cihazları ayırt ettiği gözlenmiştir. KK-Meta-AÖM ağının ise, %92'lik bir doğruluk oranıyla en iyi başarım gösterdiği sonucuna varılmıştır.

The IoT revolution has led to exponential growth in wireless devices, creating intricate communication networks. Ensuring the security of these networks is crucial to prevent unauthorized access and attacks. However, IoT devices have limited resources, making it challenging to implement customized security measures. To address this, RF fingerprints, which capture the unique hardware characteristics of devices, are used for identification and authentication. In this study, a system was developed using cost-effective software-defined radio (SDR), a single-board computer, and open-source software to capture and record RF signals. Features of the signals were extracted by identifying the transient region and applying the Hilbert Transform to obtain Instantaneous Amplitude, Instantaneous Phase, and Instantaneous Frequency values. Rather than traditional statistical methods, the feature dimension was reduced using the Minimum Redundancy Maximum Relevance (MRMR) technique. For IoT device identification, classifiers such as ELM-based Meta-ELM, Multilayer Meta-ELM (ML-Meta-ELM), and Constrained Mixed Meta-ELM (CM-Meta-ELM) network structures were used, along with ELM-based learning algorithms. The ML-Meta-ELM network achieved an 88% accuracy in distinguishing devices, while the Meta-ELM network achieved around 90%. The CM-Meta-ELM network demonstrated the highest performance with a 92% accuracy rate.