每周文章分享-179

无线通信使工业移动设备容易受到无线媒体开放广播特性所导致的外部攻击。传统的基于密码的身份认证方式在实际应用中得到了广泛的应用，但在异构网络场景和社会工程攻击中受到了挑战。物理层认证(physical layer authentication, PLA)具有与异构网络高度兼容、物理属性复制难度高的固有优势，在现有的PLA研究中，主要是研究基于信道状态信息(CSI)的PLA，利用通道状态的空间去相关特性来区分器件是否位于合理位置，然而在实际工业移动场景中信道状态具有时变性，且合法设备位置非固定。为了在真实的工业移动场景中实现PLA算法的可靠和鲁棒认证性能，本文提出了一种新的基于CSI时空梯度的PLA (STG-PLA)策略，在该策略中，CSI梯度模式是针对运动轨迹建模的，利用CSI梯度统计特性的可追溯性将移动设备的CSI转换到图像来提高认证的准确性。

本文研究了更适合于工业移动场景中的基于CSI的PLA策略，提出了一种新的基于CSI时空梯度的PLA (STG-PLA)策略。在实际的工业应用中，工厂通常包括大量的大型、旋转和移动设备。这种高度反射和不可预测的无线环境可能导致动态信道条件，此外连续CSI测量的特征可能会随着设备移动而变化，现有的PLA算法在未校准位置的性能急剧下降。为了提高认证的可靠性和鲁棒性，本文首先提取相关和散射特征来描述多维通道特性，将几个单独的CSI序列转换为CSI-image，因此CSI序列的时空相关梯度反映在一张CSI图像中，然后利用成熟的图像模型分类。此外，在没有模型再训练的情况下，STG-PLA在设备移动到未校准位置时表现出稳健的性能。

该方法的创新和贡献如下：

1）基于CSI时空梯度的统计规律，提取了CSI时空梯度的相关特征和散射特征，包括时间选择性、空间选择性、频率色散和方向色散。相关和散射特征去除了无关因素，简便分类过程。

2）为了表示移动设备轨迹的CSI时空梯度，通过将一维(1-D) CSI序列转换为二维图像来强调CSI测量的时空相关性。因此，每幅CSI图像都能反映出与相邻空间相关的连续时间CSI的变化。

3）实验表明即使移动设备移动到未校准的轨迹或验证者移动到未校准的位置，STG-PLA实现将平均认证误差从现有研究的> 10%降低到< 1%。

1. 系统模型

（1）网络模型

图1  移动设备PLA系统模型

如图1所示，本文考虑一个具有动态信道的工业移动场景。

(1) 参与者：

1）Bob：验证者Bob固定在一个位置，接收Alice发送的请求信息，使用PLA来识别请求者的身份是否是同一个合法对象。

2）Alice：Alice是合法的发送者，Alice根据合法的工作轨迹移动，向验证者Bob发送请求。

3）Eve：欺骗攻击者Eve试图模仿Alice并在空闲通信时隙发送欺骗请求，按照Alice的移动模式跟随她的移动轨迹。假设Alice和Bob不知道Eve的存在，但是Eve知道所有的敏感信息和Alice和Bob的位置。

(2) 检验：

在两个连续时隙下两个相邻CSI测量值的相关性，其中用于认证的属性包括时域和频域的属性。在时刻t, Bob通过认证信号(x(τ))和接收信号(r(τ))的相关处理提取CSI(即h(t, τ))。其中τ表示多径延迟。利用前一个时隙的CSI，即h_A (t-1, τ)。h下标A表示CSI来自Alice。两个CSI测量值表示为一个度量值H(t)=[h_A (t-1, τ), h(t, τ )]。Bob利用CSI度量来区分时间t接收帧的请求者的身份。

假设每个设备的第一个CSI测量是安全的，因为Eve需要时间来检测合法设备。

（2）问题建模

来自同一收发器对的信道响应从一个时隙到下一个时隙不断变化。连续CSI测量采用一阶自回归预测(AR)过程建模，表示为:

其中𝜌为同一收发器对的信道相关系数，且0 <𝜌< 1。这里，n(t)是来自设备和环境的噪声。在假设检验的基础上，利用AR模型识别CSI的请求者。影响鉴定准确性的关键因素在于𝜌值的确定。对于动态工业移动场景，信道的空间环境随机变化，信道状态随时间随机变化，相关系数只是一个可以描述两个CSI测量的相似性的值，且𝜌值不容易建模。在本文研究中试图改进真实场景下动态信道的时空耦合变化模型。

2. STG-PLA 策略

本文采用图像分类模型，利用CSI到图像的变换来学习时空梯度特征。本文提出的STG-PLA算法包括离线训练阶段和在线运行阶段，如图2所示。

图2  STG-PLA算法概述

在离线训练阶段，首先提取CSI数据集的相关和散射特征。随后，将一些连续的CSI特征向量转换为CSI图像帧。最后将图像输入到图像分类模型中，对无线环境的时空梯度特征进行建模。在在线运行阶段，首先提取从认证请求中获得的CSI测量值，然后将其转换为CSI图像帧。经过训练的环境时空梯度模型最后用于识别CSI图像是否来自合法设备。

（1）相关特征提取

CSI测量的相关特性反映了多径随时间和空间的变化，可以反映环境时空变化的统计特征，独立于特定的通道状态。因此，相关特征更适合于提高PLA算法在时间和空间上的泛化能力。在本研究中选择时域相关函数和频域散射函数来描述连续CSI测量的相关性。

1）相关函数(R)表示信道的时间和空间选择性，如下所示:

其中h^*表示h的共轭，τ是多径延迟，t是一个变量，通常表示观察或采样信号的时间点，h(t,τ) 函数描述了在时间t处，由于延迟 τ的多径分量对信号的影响，𝛥t是两次CSI测量的时间间隔。从时域来看，时间选择性反映的是由于发射机或接收机的运动而导致的信道随时间的变化，而空间选择性则表现为随着位置的变化而出现的信道波动。

2）散射函数(S)描述了信道的频率和方向色散，它被定义为R相对于𝛥t参数的傅里叶变换：

其中𝛥f为多普勒频移。在该频域中，频散指的是多普勒频移，方向频散指的是多径分量变化引起的空间变化波动。

相关特性消除了不相关的因素，保持了分类模型的简单性。如图3所示，相关和散射特征明显与原始CSI相似。这四个CSI特征用于格式化CSI图像帧。

图3  特征提取前后的通道特征比较。(a)提取前；(b)提取后

（2）CSI-to-Image转换

本文将一维的参考CSI序列和请求CSI序列转换成或映射到一个二维的CSI图像帧中。如图2所示，将时间划分为长度为M的连续窗口，每个CSI包含N个样本。每张CSI图像包含M×N像素，其中M为CSI测量的个数。CSI测量包含M_1参考CSI测量和M_2请求CSI测量。因此，一张CSI图像包含来自连续测量时间的多个CSI测量，从而在一张CSI图像中可视化CSI的时间演变。此外，随着时间的推移，移动设备所处的空间环境也会发生变化。因此，CSI图像可以同时反映时空变化。CSI测量次数可根据环境设置。随着数量的增加，时间窗口变宽，开销也随之增加。在通道相对稳定的情况下，较宽的时间窗可以保证更可靠的认证性能。

每张CSI图像有四个图像层，分别是相关函数的时域幅值、相关函数的时域相位、散射函数的频域幅值和散射函数的频域相位。因此，一个CSI图像可以反映来自多个域的信道变化。此外，这些CSI图像帧被输入到分类模型中。由于工业移动场景中的动态信道，在认证时使用一个参考CSI和一个请求CSI。根据前一个时间窗口的认证分数选择参考CSI。如果前一次测量的认证得分大于0.95，则选择前一次的CSI作为参考CSI。否则选择前一个CSI测量，这种方法有助于防止对引用数据的攻击。

3. 分类模型

除了连续CSI序列的时间动态外，CSI图像帧还包括设备移动时通道的空间特征。相关特征使模型能够专注于CSI测量的梯度。相关梯度适合于卷积神经网络(CNN)建模，卷积神经网络可以对像素的复杂相关性进行建模。此外，ResNet是一种成熟的图像分类算法，它包含多个CNN层。本文采用ResNet模型对图像帧上的CSI测量值是否满足信道梯度规律进行分类。在训练阶段对模型参数进行训练，并用于验证设备的身份。