A Comparative Study on Classifying RF Signals

Abstract

Radyo Frekans Parmak İzi, Radyo Frekans (RF) devrelerinin üretiminde kullanılan elektronik bileşenlerdeki son kullanıcıya etki etmeyen tolere edilebilir hataların etkilerinin birleşimiyle oluşan, donanıma özgü karakteristiklerdir. RF parmak izi tespiti ise donanıma özgü bu karakteristik sinyal özelliklerini anlamlandırarak yayın yapan cihazı tanıma yöntemidir. RF parmak izi, Wi-Fi, Bluetooth, GSM, telsiz gibi haberleşme yayını yapan cihazların RF devrelerinin donanımlarına özgü olduğundan, yapılan RF yayınlarının taklit edilmesi imkansız olarak görülmektedir. RF cihazlarının sahip olduğu bu parmak izi bilgileri kullanılarak bir ağa erişmek için mevcutta bulunan şifre tabanlı kimlik doğrulama ve yetkilendirme önlemlerine ek olarak fiziksel güvenlik katmanı olarak sahteciliğe ve kimlik hırsızlığına karşı, sahada bulunan bilinen ve bilinmeyen RF yayınlarının tespiti ve doğrulaması için askeri istihbarat (SIGINT) alanlarında kullanılmaktadır. Bu çalışmada, RF sinyallerinden geçici durum tespiti, sinyallerin sınıflandırılmasına yönelik klasik makine öğrenimi yöntemleri ve görüntü tabanlı sınıflandırma ve öznitelik seçimi yapılması çalışmaları yapılmıştır.

Radio Frequency (RF) Fingerprinting refers to the hardware-specific characteristics that arise from the cumulative effects of tolerable imperfections in the electronic components used in the manufacturing of Radio Frequency (RF) circuits. These variations, while not affecting the end-user's experience, create a unique signature for each device. The process of RF fingerprint detection is a method of identifying a transmitting device by interpreting these distinct signal characteristics. Given that the RF fingerprint is unique to the hardware of RF circuits within communication devices such as Wi-Fi, Bluetooth, GSM, and two-way radios, replicating their RF transmissions is considered infeasible. Leveraging these inherent fingerprinting data, RF fingerprinting is employed as an additional physical security layer to supplement existing password-based authentication and authorization measures for network access. Its applications include preventing spoofing and identity theft, as well as detecting and verifying known and unknown RF transmissions in the field, particularly in military applications such as signals intelligence (SIGINT). In this study, transient detection from RF signals was performed, and classical machine learning methods were applied for signal classification, along with image-based classification and feature selection analyses.