התפוצה המהירה של האינטרנט של הדברים (IoT) יצרה משטח התקפה חסר תקדים עבור שחקנים זדוניים.עם מיליארדי חיישנים, אקטוטורים ומערכות משובצות תקשורת אלחוטית, הצורך במנגנוני אבטחה חזקים הוא דחוף יותר מתמיד. Frequency Shift Keying (FSK) Modulations, כבר זמן רב של אלגוריתמים קריטיים של כוח נמוך, תקשורת יעילה רעש ברשתות, עם זאת, שיטות מסורתיות FSK הם זיהוי יעיל יותר, וזיהוי יעיל יותר ויותר.

זיהוי FSK

FSK מקודמת נתונים בינאריים על ידי שינוי תדירות המוביל בין שני ערכים או יותר דיסקרטיים. בצורתו הקטנה ביותר (BFSK), "0" מיוצגת על ידי תדר אחד (למשל, f1) ו"1" על ידי אחר (f2), העבודה של המקלט היא לקבוע באופן אמין אילו תדירות נמצאת בכל סמל.

בדרך כלל, זיהוי כולל שיטות קוהרנטיות או לא-קוהרנטיות.גילוי קוהרנט דורש התייחסות מדויקת של הנושא, הדורש סינכרוניזציה מורכבת אך מציע ביצועים טובים יותר של מעט-טרור (BER) גילוי לא-קוהרנטי, כגון זיהוי או עיוותי תדר, סוחרים כמה דיוק ליישום פשוט.

הבחירה של FSK וריאנט -binary (BFSK), מספר קידוד (MFSK), או Gaussian מינימום שינוי מפתח (GMSK) - תכונות זיהוי מורכבות וביטחון. MFSK יכול לשדר יותר ביטים לסמל, שיפור שיעור הנתונים, אך גם הגדלת הפגיעות להפרעות בין- HIV לבין התערבות צמודה.

החשיבות של Secure FSK Detection for IoT

(ב) ⁇ ה אינה הופכת אותה לחסינה ברשת IoT, יריבים יכולים לנצל חולשות בזיהוי אותות:0jamphFLT:1 הערוץ על ידי הזרקת טון בעל עוצמה גבוהה ליד תדרי זיהוי הצפויים; FLT:2easdropFLT 3 על ידי הקשבה פסיבית וניתוק אותות FSK אם הם מנבאים או ממריצים את ה-FSK5;

זיהוי FSK יעיל הוא אפוא קו ההגנה הראשון.המקבל המדויק ומהיר יותר יכול לזהות אותות המיועדים לעומת רעש או הפרעה, כך שהופך את הרשת הכוללת יותר גמישה הופכת.זיהוי מאובטח מעבר להשוואה פשוטה של סף; זה כרוך ב סיווג אינטליגנטי שיכול להבחין אותות לגיטימיים מחיקויים זדוניים.זה המקום שבו ההתקדמות האלגוריתמית האחרונה הופכת את ההשפעה הגדולה ביותר.

שיטות זיהוי FSK מסורתיות ומגבלותיהם

(הידועה ב-FSK) היא אחת משלוש גישות: FLT:0תואמים את הפילטרים של ה-IIFIRLT:2phase-locked Lus (PLLs) MonumentFLT 3: או ,5

  • (ב) [17] ,0 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) גלאי גלאי מבוסס תהילים 1FLT) יכולים לעקוב אחר וריאציות תדירות אבל הם איטיים לנעול, ניתן להסיר את התדר על ידי התערבות קו-ערוצית חזקה - פגיעה ידועה מנוצלת בהתקפות ג'ינג'ינג.
  • (FLT:0)Zero-crossing ספירת הספירה לאחור (Clan) מעריך תדירות על ידי מדידה של מרווחים בין אפס קרוסינג.למרות פשוט, זה רגיש מאוד לרעש כי אפילו הפרעות קטנות משמרות אפס נקודות מעבר.

שיטות אלה חולקות מגבלה משותפת: הן מניחות כי הנתונים של רעש והתערבות הם נייחים וצפוי. בסביבות עולם אמת-IoT - קניונים עירוניים, רצפות תעשייתיות, מתקנים רפואיים - תנאים ימיים משתנים במהירות. יתר על כן, גלאיים מסורתיים לא יכולים בקלות להתמודד עם מספר השידורים במקביל FSK (תריש שעולה ברשתות חיישן צפופות) או להסתגל לדפוסי התקפה מכוונים כגון פקקים גורפים.

תוצאות חיפוש ב FSK Detection Algorithms

חוקרים פיתחו מספר מסגרות זיהוי מבטיחות המתייחסות לחסרונות אלה.מגמה גדולה היא השימוש ב-FLT:0machine Learning (ML)igFLT:1 כדי ליצור גלאי הסתגלות, קונטקסט-מודע במקום להסתמך על סף קבוע או מודלים אנליטיים, גלאי מבוסס ML לומדים מדוגמאות מתוייגות של אותות נקיים, רעש, וסוגים שונים של התקפה כוללים:

  • (FLT:0convolutional Neural Networks (CNN)BuildFLT:1) החל על תמונות של אותות FSK. A CNN יכול ללמוד לזהות את החתימה של סמל FSK לגיטימי גם כאשר קבור ברעש, השגת שיעורי זיהוי מעל 98% ביחסי אות נמוך לרעש (SNR) שבו שיטות מסורתיות נכשלות.
  • (FLT:0) רשתות ניאלריות חוזרות (RNNs) ו-LSTMsFIRLT:1 שמודל הדינמיקה הזמנית של אותות FSK. רשתות אלה יכולות לחזות את הסמל הבא המבוסס על ההיסטוריה, המאפשר זיהוי בעל עוצמה נמוכה מאוד ואזהרה מוקדמת של מעברים בתדרים חד-אטומיים שעשויים להצביע על ספירה של החבילה.
  • למידה חיזוק הלמידה של ההרחבה 1:1 עבור כוונון בזמן אמת של פרמטרים מסננים.המערכת לומדת להתאים את סף גילויה שלה בתגובה לשינויים בתנאים סביבתיים, בעצם "להערב" את ההגנה שלה מפני איומים מתפתחים.

פריצת דרך נוספת היא (FLT:0) ,LGatealalalalalalalalalalativealalalalation-based DetectionFSK, אשר לעתים קרובות אינה רגישה - FSK מציגה תבניות תדר מחזוריות שניתן לזהות גם כאשר כוח האות הוא מתחת לרצפה הרעש.

בנוסף, פלטפורמות חדשות (FLT:0 רכה מוגדרות רדיו (SDR) ,1:1 פלטפורמות דמוקרטיות גילון מתקדם. An SDR יכול ללכוד ספקטרום רחב וליישם אלגוריתמים גמישים בכמעט בזמן אמת. גלאיים מבוססי SDR יכולים לפקח בו זמנית על ערוצי FSK מרובים, לבצע הערכת עיוור של פרמטרים של Modulation, וסימנים חשודים של גליביות זו חיונית עבור פרוטוקולי אינטרנט מסוג IoT, אשר חייב להשתמש בגרסאות נמוכות (LSig) ו-LGL.

Machine Learning and AI-Driven FSK Detection

השילוב של בינה מלאכותית לגילוי FSK הוא כנראה המגמה הטרנספורמציה ביותר. צינור למידה מבוקר טיפוסי כרוך: איסוף דגימות IQ של זמן-דומיין מ SDR או סימולציה, התווית אותם כ"FSK" או "התקפה" (למשל, קידוד צהבת, שחזור), תמצית תכונות (כגון תדר מיידי, שלב מפואר, רגעי, רגעי ספקטרום), אך משמש באופן אוטומטי לאימון (מתאים לשיטות הפעלה) של תאים עצביים, אך ורק כדי ללמוד, אך ורק כדי לשלוט על ידי שימוש בתכונות וכושר לחימה).

יישום בולט אחד משתמש בייצוג של 0FLT:0time- ⁇ FalLT:1 (למשל, זמן קצר ארבע יותר להפוך, או STFT) ניזון ל- CNN קל משקל שיכול לרוץ על ARM Cortex-M4 microcontroller - הסוג שנמצא במכשירי IoT רבים קצה.אדריכלות זו משיגה כפלת זיהוי של מתחת ל-10 מ"מ עם פחות מ-5% חיובי ב-R= אפילו פילטר נמוך, בהשוואה ל- S-R.

ענף מחקר נוסף חוקר את אותות FLT:0 ללא פיקוח על למידה של INDFLT 1 עבור זיהוי אנומלי. autoencoder מאומן על אותות FSK נקיים; כאשר קלט אטומי (כמו אות גינון) מוצג, את השגיאה שחזור ספייק, מעורר התראה. גישה זו אינה דורשת נתונים התקפה - רק תנועה נורמלית - עושה את זה מאוד מעשי עבור איומים חדשים ואיומים חדשים.

עם זאת, גילוי מבוסס בינה מלאכותית אינו ללא אתגרים.דוגמאות עו"ד – הפרעות בעלות ערך רב המבלבל את הרשת העצבית – הן דאגה גוברת.התוקפים יכלו להעביר באופן תיאורטי אותות דמויי FSK עם עיוותים קלים שגורמים לגלאי לזלזל בהם כמו גלאי משגשגים.

עיבוד בזמן אמת ומניעה קשה

מינוף של גילוי מתקדם במכשירי IoT אמיתיים דורש יישום חומרה יעילה. נקודות קצה רבות של IoT לרוץ על סוללות תאי מטבע ויש להם כוח עיבוד מוגבל מאוד. כדי לטפל בזה, העבודה האחרונה מתמקדת ב-FLT:0Hardware accelerators (ראה FLT:1 עבור FSK זיהוי.-promable Gates (FPGAs) ומעבדים דיגיטליים ייעודיים (DSP) יכולים לבצע פעולות מקבילות, ללא מגבלות מיקרו-בקר.

עיצוב מבטיח משלב את ה-FLT:0 (הידועה ב- פילטרים) ל-Coarse Detection (לעיר את המערכת) עם רשת עצבית רכה:2 Software תואמת את מסנ' 3 עבור סיווג מוגן היטב (כדי לאשר זהות) גישה דו-שלבית זו של שני שלבים מצריכה של צריכת חשמל לדיוק.

מגמה נוספת היא השימוש ב-FLT:0 (time-to-דיגיטלי) ממירים (TDCs)BuildFLT:1 עבור גילוי FSK לא-מחדש במקום מחשוב מורכב Fourier הופך, TDC מודד את המרווח בין אפס קרוס ישירות עם דיוק sub-nathers. גישה דיגיטלית זו היא מאוד נמוכה עוצמה, והוא יכול להשתלב לתוך זעיר עם שבב מינימלי עם תכונות חיצוניות עם זיכרון קטן מאוד.

השלכות על אבטחת IoT

זיהוי FSK משופר ישירות מחזק שכבות אבטחה על פני מערכת אקולוגית של IoT.לדוגמה, שער קצה מצויד בזיהוי FSK מבוסס ML יכול מיד לזהות את התדירות-sweep Khomer מנסה לחסום תקשורת המכשיר.השער יכול אז לגרום לתדירות גבוהה יותר של הגנה נגד נגד או לנתב תנועה מחדש על רשת חלופית (למשל, נפילה סלולרית).

ב-IoT התעשייתי (IIoT), שבו חיישנים עוקבים אחר תשתיות קריטיות כמו צינורות או רשתות חשמל, זיהוי FSK מדויק מונע התקפות הזרקת נתונים.על ידי אימות כי כל חתימה של החבילה הקרובה מתאימה לפרופיל המכשיר הצפוי, המערכת יכולה לדחות שידורים מפוסקים אשר אחרת ישחית פקודות שליטה או קריאות חיישן.

יתר על כן, גילוי מתקדם מאפשר ספקטרום עם Wi-Fi, Bluetooth ומערכות רדיו אחרות.גל FSK שיכול להבחין בין אות לגיטימי לבין התערבות מפרוטוקול אחר מקטין את האזעקות השקריות ואת ההחזרות מיותרות, שיפור הרשת הכוללת תוך שמירה על אבטחה.

אתגרים וכיוונים עתידיים

למרות התקדמות מהירה, כמה מכשולים נשארים.ראשון, ה-FLT:0diversity של IoT חומרה FLT:1 פירושו אלגוריתמים זיהוי חייב להיות נייד על פני פלטפורמות עם רוחבי סיביות שונים, מהירויות שעון, וחוקרים זיכרון מפתחים מודלים רשת עצביים בקוד פתוח שניתן לכמת עד 8 סיביות בקידוד (INT8) עבור MCUs, אך לעתים קרובות מקטין את הדיוק של זיהוי - אותו מסחר זה חייב להיות מנוהל בקפידה.

שנית, כל פרוטוקול IoT מגדיר את הפרמטרים FSK משלו (למשל, Bluetooth משתמש ב-GMSK עם BT=0.5, LoRa משתמש בספקטרום צ'ייפ קנייני, Zigbee משתמש ב- OQPSK עם צורת הדופק חצי-סין הדומה ל-FSK אוניברסלית, כלומר, מסגרת זיהוי FSK אוניברסלית שפועלת על פני הפרוטוקולים היא קוד פתוח, אך מחייבת התקדמות של מערכת אבטחה משותפת, אך היא השגתית, אך היא בעלת מודל אבטחה משותף, אך היא בעלת רמה דומה לממשק אבטחה אחיד, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך דורש, אך היא בעלת טווח אבטחה משותף, אך דורש אינטגרטיבי, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך דורש קומפקטי, אך דורש אינטגרטיבי, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח אבטחה משותף, אך היא בעלת טווח

שלישית, , למידת מכונה הלמידה של גלד'ר (FLT:0) מהווה סיכון גובר.התוקפים יכולים ליצור "חצנים חכמים" שמתאימים להתנהגות הגלאי, למזער את יכולת הגילוי שלהם.לדוגמה, קופה המעדיפה את האוטומטי של FSK לגיטימית יכולה לעקוף גלאי ספקטרום.

כיוון מבטיח נוסף הוא (FLT:0) דור מפתח של שכבות פיזיקליות (PSKID) באמצעות פגמים בזיהוי FSK. על ידי מינוף ליקויי הערוץ הייחודיים (התפרק, רב-אפ) בין שני מכשירים, ניתן להשתמש בזיהוי FSK כדי ליצור מפתחות סודיים משותפים ללא כל חילופי מפתח קודמים - אזור מתפתח המכונה הדור המרכזי מבוסס ערוץ.

לבסוף, (FLT:0) אינטגרציה עם קצה AIIRLT:1) ידחוף את האינטליגנציה קרוב יותר לחיישן.הדברים העתידיים של ה-IoT עשויים להפעיל רשת עצבית קלה ישירות, ביצוע ניתוח זיהוי ואבטחה בשלב אחד.זה אינטליגנציה על-ידי הפחתת תעבורה רשת ושקיפות תוך מתן אפשרות לכל מכשיר לדחות אותות זדוניים באופן אוטונומי.

מסקנה

ההתקדמות בזיהוי אותות FSK מייצגת התפתחות קריטית במאבק לאבטחת רשתות IoT.ממתאים למידה מכונה שמתאימים לסביבות שינוי לגלולים מבוססי כוח אולטרה-עוצמה TDC שפועלים על חיישנים המופעלים על סוללות, הכלים הזמינים להגן על אנשים הופכים להיות יותר מסוגלים עד השנה, על ידי הטמעת אלגוריתמים מתחכמים בשכבה הפיזית – הנקודה המוקדמת ביותר של מגע בין מכשיר ותקשורתו – יכולים להיות יותר איומים חכמים יותר, בעודם של חומרים אלה, כמו למשל, עלולים להיות יותר, כמו אלגוריתמים, כמו אלגוריתמים, או חסימתיים, או אלגוריתמים מהירים יותר, כמו אלגוריתמים מהירים יותר, כמו אלגוריתמים, אם הם עלולים, כדי לנפץ, כדי לנטרים, או למנוע אלגוריתמים מתקדמים יותר, כדי לנטראליים, כדי לנטראליים, או למנוע אלגוריתמים, אם הם עלולים, אם הם עלולים, כדי לנפץ, כדי לנטראליים, כדי לנטרים להיות יותר, כדי לנטראליים, או למנוע אלגוריתמים מהירים יותר, כדי לנטרלכים, כדי לנטרים, כדי לנפץ אלגוריתמים, אם הם עלולים להיות יותר, כדי לנטרלכים, כדי לנפץ אלגוריתמים, אם הם עלולים, כדי

לקריאה נוספת, ראה (ב) , ראה סקר מקיף זה על סיווג מודולציה מבוסס ML (ML-Moderal Modulation סיווג 1:FLT:2a מחקר מאמר על עמידותם של גלאי FSK, איורים FSK) 3, ו-FLT:4 את שיטות העבודה הטובות ביותר של קרן אבטחת המידע של IoT עבור אבטחה פיזית שכבות:55