Design and implementation of modular front end for rf fingerprinting of bluetooth signals

Kablosuz ağlarda, üst düzey yazılım tabanlı güvenlik yöntemleri yetersiz kaldığında fiziksel katmanda alınan güvenlik önlemleri güvenliği tamamlayıcı olacaktır. Fiziksel katman yöntemlerinden biri Radyo Frekansı (RF) parmak izi yöntemidir. RF parmak izi yönteminde, parmak izi çıkarmak için yapılan veri toplama yöntemi kritik öneme sahiptir. Bu çalışmada, rafta hazır ticari ürün (RAHAT) ile tasarlanmış düşük maliyetli bir modüler RF ön ucu sunulmaktadır. Bu RF ön ucu tasarlamak için bilgisayar tabanlı tasarım aracı kullanılır. Önerilen RF ön uç kullanımı da dahil olmak üzere üç farklı veri toplama yöntemi de sunulmaktadır. Ayrıca, RF parmak izi performansı için RF ön ucunun üç farklı veri tabanına göre değerlendirilmesi sunulmaktadır. Bu veri tabanlarında geçici sinyal algılama, özellik çıkarma ve sınıflandırma algoritmaları uygulanmaktadır. Sınıflandırma, destekçi vektör makinesi ve yapay sinir ağları yöntemleri ile yapılmaktadır. Sonuçlar RF ön ucunun kullanılmasının doğru sınıflandırmaya ulaştığını göstermektedir. In wireless networks, physical layer security would be complementary when higher level software based security approaches are inadequate. One of the physical layer methods is Radio Frequency (RF) fingerprinting. In RF fingerprinting method, data acquisition phase plays a critical role in precisely capturing signals for extracting the fingerprints. In this thesis, a low-cost modular RF front-end designed with commercial of the shelf (COTS) is presented. In order to design this RF front end, computer based design tool is used. Three different data acquisition methods including proposed RF front end usage is also presented. Moreover, assessment of the RF front end for the RF fingerprinting performance with respect to three different data sets are presented. Transient signal detection, feature extraction and classification algorithms are implemented on these data sets. To do classification support vector machine (SVM) and neural networks (NN) are used. Results of the study show that the designed RF front end would work well in RF fingerprinting, and accurate classification of BT devices. 56