Nesnelerin hızlı çoğalması (IoT) cihazları, kötü niyetli aktörler için eşsiz bir saldırı yüzeyi yarattı. milyarlarca sensörle, eylemci ve gömülü sistemler kablosuz iletişim kurmalı, sağlam güvenlik mekanizmalarına ihtiyaçlar her zamankinden daha acildir. Frekans Değiştirilmesi (FSK) modülasyon uzun zamandır düşük güç, gürültüyü kullanarak algılama teknikleri, bu hassas sinyal algılama tekniklerinin nasıl analiz edileceği ve eleştirel analiz edilmesi.

FSK Signal Tespiti Anlamak

FSK, taşıyıcı frekansı iki veya daha ayrı değer arasında değiştirerek ikili verileri şifreliyor. En basit ikili formda (BFSK), bir “0”, bir frekans (örneğin, f1) ve bir “1” başka bir (f2) ile değiştirmektir. alıcının işi, herhangi bir sembol aralığında hangi frekansın mevcut olduğunu belirlemektir.

Tespit genellikle ya koherent veya non-coherent yöntemleri içerir. Coherent algılama, karmaşık senkronizasyonu talep eden taşıyıcıya kesin bir aşama referans gerektirir, ancak daha iyi bir şekilde terörle ilgili olarak (BER) performans. - non-coherent algılama, kaynaklanmış düğümler gibi, yüksek performanslı algılamayı kapattırır.In IoT senaryolarında, cihazlar genellikle bataryaya karşılaştırılabilir ve maliyetle hassas, sınırsız, daha yeni olmayan algılamayı sağlar.

FSK varyantının seçimi –binary (BFSK), çoklu frekans (MFSK), veya Gaussian minimum değişim anahtarlama (GMSK) – algılama karmaşıklığı ve güvenlik. MFSK, veri oranını artırmak, aynı zamanda iç içe dönük müdahale ve bitişik kanal müdahaleye daha fazla kırılganlığı artırmak için daha karmaşık algılayabilir. GMSK, Bluetooth ve hücresel bağlamda kullanılan, spektral verimlilik sağlar.

IoT için Güvenli FSK Tespitinin Önemi

FSK'nın doğal sağlamlığı, beklenen frekanslara karşı bağışıklık sağlamaz; [Döneticiler sinyal algılamasında zayıflıkları kullanabilir: 0:0))) Kanalın beklenen frekanslara göre yüksek güç enjekte ettiği varsayılır; [DÜSÜSÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞ

Etkili FSK algılaması bu nedenle ilk savunma hattıdır. Daha doğru ve hızlı bir şekilde bir alıcı gürültü veya müdahaleye karşı sinyalleri tespit edebilir, genel ağ daha dirençli hale gelir. Güvenli algılama basit eş karşılaştırmanın ötesine geçer; kötüleştirici işaretleri kötüleştirici kopyalardan ayırt edebilir.Bu son algoritma ilerlemeleri en büyük etkiyi yaratır.

Geleneksel FSK Tespit Yöntemleri ve Sınırları

Klasik FSK algılaması üç yaklaşımdan birine dayanıyor: [Dönetici:0) Eşleştirilmiş filtreleme[Dönemli filtreleme[Dönemli:2).

  • [FONT=0]Matched filtreler[Dönemli işaretler[Dönemli sinyal ve yerel çoğaltmalar arasında bir korelasyon uygulanır. performansları idealden gelen sinyalleri hızla yükselirken hızla değişir - frekans dengelemeleri, çoklupath fading veya zamanlama sürüklenmeleri.
  • [FONT:0]PLL tabanlı dedektörleri[[Döneticiler[[Döneticiler) frekans varyasyonlarını takip edebilir, ancak güçlü kanal müdahalesi ile frekanstan çıkarılabilir ve sıkıştırılabilir - bilinen kırılganlıklar reçet saldırılarda sömürülebilir.
  • [FONT=0)Zero-crossing count[[Dönetici: 0 ) Tahminler, sıfır-ortalamalar arasındaki aralıkları ölçerek frekansları ölçerek frekanslar. Basit olsa da, gürültüye son derece hassastır, çünkü küçük perturbations bile sıfır-crossing noktalarına geçer.

Bu yöntemler ortak bir sınırlama paylaşıyor: Gürültü ve müdahale istatistiklerinin sabit ve öngörülebilir olduğunu varsayıyorlar. Gerçek dünya IoT ortamlarda -kent Canyons, endüstriyel zeminler, tıbbi tesisler -signal koşullar hızla değişebiliyorlar. Ayrıca, geleneksel dedektörlerin birden çok eş zamanlı FSK iletimlerini kolayca idare edemezler (profesyonel sensör ağlarında ortaya çıkan bir senaryo) veya süpürücükürücü saldırganlar gibi kasıtlı saldırı modellerine adapte edilemez.

FSK Tespit Algoritmalarında Son Gelişmeler

Araştırmacılar bu eksiklikleri ele alan birçok umut verici algılama çerçevelerini geliştirdiler. büyük bir trend, temiz sinyallerin etiketli örneklerinden, gürültünün ve çeşitli saldırı tiplerinden yararlanarak öğrenilir. Anahtar gelişmeler şunları içerir:

  • [FONT:0)Convolutional Neural Networks (CNNs)[Döneticileri FSK sinyallerinin spektrgram görüntülerine uygulanmış durumda. A CNN, gürültüde gömülürken bile, düşük sinyal-to-noise oranlarındaki %98'in üzerinde tespit oranlarına sahip olmak için yasal bir FSK sembolünü tanımayı öğrenebilir.
  • [FONT=0)Recurrent Neural Networks (RNNs) ve LSTMs[DÜT:1), FSK sinyallerinin zaman dinamiklerini modellemek, tarihe dayanan bir sonraki sembolü tahmin edebilir, çok düşük çözünürlük algılamasını ve anomal frekans geçişlerini erken uyarım.
  • [FONT:0) Deep takviye öğrenme[[Dönetici:0) Gerçek zamanlı filtre parametrelerinin ayarlanması için[FONT=0) Sistem, çevresel koşulları değiştirmek için kendi algılama eşlerini ayarlamayı öğrenir, aslında “egresyon”, gelişmekte olan tehditlere karşı savunmasını sağlar.

Bir başka atılım ise, FSK sinyallerinin klostationary özelliklerini kullanan ve genellikle nonsensical –FSK, sinyal gücünün altında olduğu zaman bile tespit edilebilir.Bu özellikle de FSK sinyallerin cyclostationary özelliklerini kullanan saldırılara karşı etkili.

Ek olarak, USBT:0)software- tanımlanmış radyo (SDR)[Dönetici:0)[Uygunluklar gelişmiş algılamalar için demokratikleştirilmiş bir algılamadır ve gerçek zamanlı olarak esnek algılama algoritmaları uygulayabilir. Modern SDR tabanlı dedektörleri aynı anda birden fazla FSK kanalı izleyebilir, körü körü körü körü körü körü körü körü körüne yol açar. Bu çeviklik çeşitli cihaz tiplerini ve protokolleri desteklemeli.

Makine Öğrenme ve AI-Driven FSK Tespiti

Yapay zekanın FSK algılamasına entegrasyonu muhtemelen en dönüştürücü eğilimdir. Tipik denetimli bir öğrenme hattı şunları içerir: Bir SDR veya simülasyondan zaman alan IQ örneklerini toplamak, onları “valid FSK” olarak etiketlemek, “hayır” veya “köpektif ton, replay”, eklenme özellikleri (örneğin, anlık, yarı zamanlı, aşama, anları), ve bir sınıflandırıcılık eğitim vermek.

Önemli bir uygulama, bir ARMA-M4 mikrokontrolü çalıştırabilecek hafif bir CNN'e sahiptir - bu mimari, SNR'de bile% 5'den az sayıda yanlış algılamayı elde eder. dBx x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x

Başka bir araştırma kolu, denetimli öğrenme) için bir anomali tespiti için tasarlanmıştır. Otomatikleştirilmiş bir trafik, temiz FSK sinyalleri üzerinde eğitilir; anormal bir giriş (örneğin bir reçet sinyali gibi) sunulduğunda, rekont hata artışları, bir uyarı gerektirir.Bu yaklaşım, etiketli saldırı verileri gerektirmez - sadece normal trafik - yeni ve ortaya çıkan tehditler için son derece pratik hale getirir.

Ancak, AI tabanlı algılama zorluk olmadan değildir. Tartışma örnekleri - sinir ağı karıştıran perturbasyonlar - büyüyen bir endişedir. Saldırılar FSK benzeri sinyalleri, bu tür saldırılara karşı dezenfektörlere neden olan küçük bozulmalarla teorik olarak aktarabilir.

Gerçek Zaman İşleme ve Donanım Uygulama

Gerçek IoT cihazlarında gelişmiş algılamayı çalışmak, verimli donanım uygulamaları gerektirir. Birçok IoT uç noktası para-tel bataryalarda çalışır ve son derece sınırlı işleme gücüne sahiptir.Bunu ele almak için, son çalışma, gerçek zamanlı kısıtlamalara odaklanır).

Umut verici bir tasarım, aritme testi ile bir araya gelir (Dönetici) ve minimum bir eşin üzerinde sinyal tespit edildiğinde (sağlıklı sınıflandırma için) bu iki aşamalı yaklaşım, doğrulama için güç tüketiminden yoksundur.

Başka bir eğilim, sıfır-zamanlı hassaslar arasındaki aralığın kullanılmasıdır (TDCs)), düşük dış bileşenlerle küçük bir göz ardı edilen FSK algılaması için.

IoT Security için örneklemeler

Gelişmiş FSK algılaması doğrudan bir IoT ekosistemi üzerindeki güvenlik tabakalarını güçlendiriyor. Örneğin, ML tabanlı FSK algılaması ile donatılmış bir kenar ağ geçidi hemen bir frekans-sweep jammer cihazı iletişim kurmaya çalışıyor.

Endüstriyel IoT (IIoT), sensörlerin boru hatları veya güç ızgaraları gibi kritik altyapıyı izlediği, doğru FSK algılaması, her gelen paketin frekansı imzasının, beklenen cihazı profiline karşı oynadığını doğrulayarak, sistem aksi takdirde kontrol komutlarını veya sensörü okumaları reddedebilir.

Dahası, gelişmiş algılama, ESFLT:0)bir başka protokolden ayırt edilebilirlik[Dönetici: 1 ), lisanslı gruplar halinde, IoT cihazları genellikle Wi-Fi, Bluetooth ve diğer radyo sistemleri ile spektrumu paylaşır. Bir FSK dekümatörü başka bir protokolden ayırt edebilir ve başka bir protokolden gelen müdahale yanlış alarmları azaltır ve güvenlikleri korurken genel ağ sağlar.

Meydanlar ve Gelecek Yollar

Hızlı ilerlemeye rağmen, birkaç engel kalır. İlk olarak, [[Dört:0) IoT donanımın geri dönüşü) algılama algoritmalarının farklı genişlikler, saat hızları ve hafızalarla platformlarında taşınabilir olması anlamına gelir. Araştırmacılar, MCUs için 8bit tamsayı ölçebilecek açık kaynak sinir ağları modelleri geliştiriyorlar, ancak ölçümleme genellikle algılama doğruluğunu azaltır - bu da dikkatli bir şekilde yönetilmelidir.

İkincisi, USBT:0) Standartlaştırma) eksiktir. Her IoT protokolü, protokollerin üzerinde çalışan evrensel FSK algılama çerçevesidir (örneğin, Bluetooth, GMSK'yi BT=0.5 ile kullanır, LoRa, IoT Security Foundation gibi özel bir chirp spread spektrumu kullanır, OQPSK'yi yarım-sinebürli bir darbe formu ile kullanır, ancak protokollerin karşısındaki çalışmaların kutsal bir grail olduğunu tanımlar.

Üçüncü olarak, Prodüksiyonun davranışına uyum sağlayan “akıllı” rektörler, örneğin, doğrulayıcıların döngüsel optimizasyonun (Dönetici) bir rekreasyonunu (Dönetici) kırabileceklerdir.

Başka bir umut verici yön ise şu:0)fizik-katıl anahtar nesil[Dönetici: 1) FSK tespiti kusurları kullanarak, bu iyi niyetli kanal özelliklerini kullanarak, iki cihaz arasında (çok fazla empati) paylaşılan gizli anahtarlar üretebilmek için kullanılabilir.

Son olarak, NTD:0, kenar AI ile kesintiye uğramak ), her cihazın kötü niyetli sinyalleri reddetmesine izin verirken hafif bir sinir ağı doğrudan çalıştırabilir, FSK tespiti ve güvenlik analizi gerçekleştirmek için bir adım.Bu, takip eden istihbarat, her cihazın bağımsız olarak kötüye kullanmalarını sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

FSK sinyal algılamasındaki ilerlemeler, IoT ağlarını korumak için mücadelede kritik bir evrim temsil eder. Makine öğrenme sınıflandırıcılarından, bir cihazla iletişim kanalına uyum sağlayan, daha önce batarya destekli sensörler üzerinde çalışan algoritmaların, savunma kısıtlamaları gibi zorluklarla karşılaşılırken, yazılımlar, araca sahip olmayan algoritmaların en erken noktası açıktır: daha güvenli bir şekilde tespit edilen bir cihaz ve iletişim kanalı – organ tespiti için daha güvenli bir şekilde olacaktır.

Daha fazla okuma için, bkz.FLT:0) Bu kapsamlı anket ML tabanlı modülasyon sınıflandırması) FSK dedektörlerinin geri dönüşümlü sağlamlığı üzerine araştırma makalesi).