gr-PHYSEC: وحدة GNU Radio لأمن الطبقة الفيزيائية

توفر وحدة GNU Radio هذه إمكانات بصمة القناة لتطبيقات أمن الطبقة الفيزيائية باستخدام نماذج التعلم العميق.

الميزات

• بصمة القناة: استخراج خصائص القناة الفريدة من عينات IQ
• تكامل التعلم العميق: يستخدم نماذج مدرّبة (QExtractor.h5) لاستخراج الميزات
• تكميم الميزات: تحويل الميزات المستخرجة إلى قيم ثنائية
• تضخيم الخصوصية: تطبيق التجزئة التشفيرية (SHA3-512) لتوليد المفاتيح
• المعالجة في الوقت الفعلي: معالجة عينات IQ في الوقت الفعلي من أجهزة SDR
• دعم نماذج متعددة: دعم كل من معماريتي TripletNet وQuadrupletNet

المتطلبات

• GNU Radio 3.10+
• Python 3.8+
• TensorFlow 2.x
• NumPy
• Hashlib (مدمج)

التثبيت

1. استنساخ المستودع

git clone <your-repo-url>/gr-PHYSEC.git
cd gr-PHYSEC

2. إنشاء دليل البناء

mkdir build
cd build

3. التهيئة والبناء

cmake ..
make -j$(nproc)

4. التثبيت

sudo make install
sudo ldconfig

5. التحقق من التثبيت

gnuradio-companion

يجب أن ترى فئة جديدة [PHYSEC] مع PHYSEC Fingerprint Block.

الاستخدام

GNU Radio Companion (GRC)

1. افتح GNU Radio Companion
2. ابحث عن فئة [PHYSEC]
3. اسحب وأفلت PHYSEC Fingerprint Block
4. قم بتهيئة المعاملات:
   • Model Path: المسار إلى ملف QExtractor.h5 الخاص بك
   • Model Type: اختر بين "quadruplet" أو "triplet"
   • Spectrogram Size: حجم FFT (الافتراضي: 512)
   • Sample Rate: معدل عينات SDR بالهرتز
   • Center Frequency: التردد المركزي لـ SDR بالهرتز
   • Key Length: طول المفتاح المطلوب بالبتات

نص Python

from gnuradio import gr
from gnuradio import PHYSEC

# Create decoupled PHYSEC blocks
spectrogram = PHYSEC.spectrogram_block(
    vector_size=512,
    sample_rate=1e6,
    center_freq=2.4e9
)

feature_extractor = PHYSEC.feature_extraction_block(
    model_path="/path/to/QExtractor.onnx"
)

feature_quantizer = PHYSEC.feature_quantization_block(
    threshold_type="mean"
)

parity_generator = PHYSEC.parity_generation_block(
    key_length=512
)

reconciler = PHYSEC.reconciliation_block(
    key_length=512
)

privacy_amplifier = PHYSEC.privacy_amplification_block()

مثال مخطط التدفق

راجع examples/decoupled_physic_example.grc للحصول على مخطط تدفق كامل يستخدم كتل PHYSEC المفصولة.

معاملات الكتل

كتلة Spectrogram

كتلة Feature Extraction

كتلة Feature Quantization

كتلة Parity Generation

كتلة Reconciliation

كتلة Privacy Amplification

المدخلات/المخرجات

كتلة Spectrogram

• Input: عينات IQ المركبة من SDR
• Output: بيانات مخطط الطيف (204×31 قيمة float)

كتلة Feature Extraction

• Input: بيانات مخطط الطيف (204×31 قيمة float)
• Output: متجه الميزات (512 قيمة float)

كتلة Feature Quantization

• Input: متجه الميزات (512 قيمة float)
• Output: ميزات ثنائية (512 قيمة uint8)

كتلة Parity Generation

• Input: ميزات ثنائية (512 قيمة uint8)
• Output: بتات التكافؤ (string)

كتلة Reconciliation

• Input: ميزات ثنائية + بتات التكافؤ
• Output: مفتاح ثنائي مُطابَق (string)

كتلة Privacy Amplification

• Input: ميزات ثنائية (512 قيمة uint8)
• Output: المفتاح التشفيري النهائي (128 بايت)

تنسيق الرسالة

تحتوي رسالة إخراج البصمة على:

{
    "fingerprint": "generated_hash_string",
    "block_count": 123,
    "sample_rate": 1000000.0,
    "center_freq": 2400000000.0,
    "spectrogram_size": 512
}

خط أنابيب المعالجة

1. جمع عينات IQ: تخزين عينات IQ الواردة مؤقتًا باستخدام Stream to Vector
2. إنشاء مخطط الطيف: تحويل عينات IQ إلى مخطط طيف باستخدام STFT، وتطبيع RMS، واقتصاص التردد
3. استخراج الميزات: استخدام نموذج ONNX لاستخراج ميزات القناة
4. تكميم الميزات: تحويل الميزات إلى قيم ثنائية باستخدام عتبات قابلة للتهيئة
5. توليد التكافؤ: توليد بتات تكافؤ Reed-Solomon لتصحيح الأخطاء
6. مطابقة المفاتيح: تصحيح الأخطاء باستخدام بتات التكافؤ
7. تضخيم الخصوصية: تطبيق تجزئة SHA3-512 لتوليد المفتاح النهائي
8. الإخراج: اتصال قائم على التدفق بين الكتل

متطلبات النموذج

يجب أن يقوم نموذج ONNX الخاص بك بما يلي:

• قبول شكل الإدخال: (batch, 204, 31) لبيانات مخطط الطيف
• إخراج متجهات ميزات بطول 512
• أن يكون متوافقًا مع ONNX Runtime
• دعم إدخال/إخراج float32

استكشاف الأخطاء وإصلاحها

المشكلات الشائعة

1. النموذج غير موجود: تأكد من صحة المسار إلى QExtractor.h5
2. أخطاء TensorFlow: تحقق من تثبيت TensorFlow وتوافقه
3. مشكلات الذاكرة: قلّل spectrogram_size لاستخدام ذاكرة أقل
4. الأداء: استخدم تسريع GPU إذا كان متاحًا

إخراج التصحيح

توفر الكتلة معلومات تصحيح موسّعة:

• إخراج وحدة التحكم لحالة المعالجة
• منافذ الرسائل للنتائج الوسيطة
• معالجة الأخطاء برسائل إعلامية

التطوير

إضافة ميزات جديدة

1. عدّل الكتلة المتخصصة المناسبة (مثل spectrogram_block.py)
2. حدّث تعريف كتلة GRC المقابل في grc/
3. أعد بناء الوحدة
4. اختبر باستخدام الأمثلة

الاختبار

شغّل النص المثالي:

cd examples
python3 fingerprint_example.py

الترخيص

هذا المشروع مرخّص بموجب ترخيص GPL-3.0-or-later.

المساهمة

1. اعمل Fork للمستودع
2. أنشئ فرعًا للميزة
3. أجرِ تغييراتك
4. أضف اختبارات إن أمكن
5. أرسل طلب سحب

الدعم

للمشكلات والأسئلة:

1. راجع قسم استكشاف الأخطاء وإصلاحها
2. راجع ملفات الأمثلة
3. افتح مشكلة على المستودع
4. تواصل مع فريق التطوير

شكر وتقدير

• مبني على أبحاث بصمة قناة PHYSEC
• يستخدم TensorFlow لاستدلال التعلم العميق
• يتكامل مع GNU Radio لمعالجة SDR