gr-PHYSEC: GNU-Radio-Modul für Physical-Layer-Sicherheit

Dieses GNU-Radio-Modul bietet Kanal-Fingerprinting-Funktionen für Anwendungen der Physical-Layer-Sicherheit unter Verwendung von Deep-Learning-Modellen.

Funktionen

• Kanal-Fingerprinting: Extraktion eindeutiger Kanalmerkmale aus IQ-Samples
• Deep-Learning-Integration: Verwendung trainierter Modelle (QExtractor.h5) zur Merkmalsextraktion
• Merkmalsquantisierung: Umwandlung extrahierter Merkmale in Binärwerte
• Privacy Amplification: Anwendung kryptografischen Hashings (SHA3-512) zur Schlüsselgenerierung
• Echtzeitverarbeitung: Verarbeitung von IQ-Samples in Echtzeit von SDR-Geräten
• Unterstützung mehrerer Modelle: Unterstützung sowohl für TripletNet- als auch für QuadrupletNet-Architekturen

Anforderungen

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

Installation

1. Repository klonen

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

2. Build-Verzeichnis erstellen

mkdir build
cd build

3. Konfigurieren und bauen

cmake ..
make -j$(nproc)

4. Installieren

sudo make install
sudo ldconfig

5. Installation überprüfen

gnuradio-companion

Sie sollten eine neue Kategorie [PHYSEC] mit dem PHYSEC Fingerprint Block sehen.

Verwendung

GNU Radio Companion (GRC)

1. Öffnen Sie GNU Radio Companion
2. Suchen Sie die Kategorie [PHYSEC]
3. Ziehen Sie den PHYSEC Fingerprint Block per Drag-and-Drop
4. Konfigurieren Sie die Parameter:
   • Model Path: Pfad zu Ihrer QExtractor.h5-Datei
   • Model Type: Wählen Sie zwischen "quadruplet" oder "triplet"
   • Spectrogram Size: FFT-Größe (Standard: 512)
   • Sample Rate: SDR-Abtastrate in Hz
   • Center Frequency: SDR-Mittenfrequenz in Hz
   • Key Length: Gewünschte Schlüssellänge in Bits

Python-Skript

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()

Beispiel-Flowgraph

Siehe examples/decoupled_physic_example.grc für einen vollständigen Beispiel-Flowgraphen mit den entkoppelten PHYSEC-Blöcken.

Blockparameter

Spectrogram Block

Feature Extraction Block

Feature Quantization Block

Parity Generation Block

Reconciliation Block

Privacy Amplification Block

Eingang/Ausgang

Spectrogram Block

• Eingang: Komplexe IQ-Samples vom SDR
• Ausgang: Spektrogrammdaten (204×31 Float-Werte)

Feature Extraction Block

• Eingang: Spektrogrammdaten (204×31 Float-Werte)
• Ausgang: Merkmalsvektor (512 Float-Werte)

Feature Quantization Block

• Eingang: Merkmalsvektor (512 Float-Werte)
• Ausgang: Binäre Merkmale (512 uint8-Werte)

Parity Generation Block

• Eingang: Binäre Merkmale (512 uint8-Werte)
• Ausgang: Paritätsbits (String)

Reconciliation Block

• Eingang: Binäre Merkmale + Paritätsbits
• Ausgang: Abgestimmter binärer Schlüssel (String)

Privacy Amplification Block

• Eingang: Binäre Merkmale (512 uint8-Werte)
• Ausgang: Finaler kryptografischer Schlüssel (128 Bytes)

Nachrichtenformat

Die Fingerprint-Ausgabenachricht enthält:

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

Verarbeitungspipeline

1. IQ-Sample-Erfassung: Puffern eingehender IQ-Samples mittels Stream to Vector
2. Spektrogrammerstellung: Umwandlung von IQ-Samples in ein Spektrogramm mittels STFT, RMS-Normalisierung und Frequenzzuschnitt
3. Merkmalsextraktion: Verwendung des ONNX-Modells zur Extraktion von Kanalmerkmalen
4. Merkmalsquantisierung: Umwandlung von Merkmalen in Binärwerte mittels konfigurierbarer Schwellenwerte
5. Paritätsgenerierung: Generierung von Reed-Solomon-Paritätsbits zur Fehlerkorrektur
6. Schlüsselabstimmung: Korrektur von Fehlern mittels Paritätsbits
7. Privacy Amplification: Anwendung von SHA3-512-Hashing zur finalen Schlüsselgenerierung
8. Ausgang: Stream-basierte Kommunikation zwischen den Blöcken

Modellanforderungen

Ihr ONNX-Modell sollte:

• Eingabeform akzeptieren: (batch, 204, 31) für Spektrogrammdaten
• Merkmalsvektoren der Länge 512 ausgeben
• Mit ONNX Runtime kompatibel sein
• float32-Eingabe/Ausgabe unterstützen

Fehlerbehebung

Häufige Probleme

1. Modell nicht gefunden: Stellen Sie sicher, dass der Pfad zu QExtractor.h5 korrekt ist
2. TensorFlow-Fehler: Überprüfen Sie die TensorFlow-Installation und -Kompatibilität
3. Speicherprobleme: Reduzieren Sie spectrogram_size für eine geringere Speichernutzung
4. Leistung: Verwenden Sie GPU-Beschleunigung, falls verfügbar

Debug-Ausgabe

Der Block bietet umfangreiche Debug-Informationen:

• Konsolenausgabe zum Verarbeitungsstatus
• Nachrichtenports für Zwischenergebnisse
• Fehlerbehandlung mit informativen Meldungen

Entwicklung

Hinzufügen neuer Funktionen

1. Ändern Sie den entsprechenden spezialisierten Block (z. B. spectrogram_block.py)
2. Aktualisieren Sie die entsprechende GRC-Blockdefinition in grc/
3. Bauen Sie das Modul neu
4. Testen Sie mit Beispielen

Testen

Führen Sie das Beispielskript aus:

cd examples
python3 fingerprint_example.py

Lizenz

Dieses Projekt ist unter der GPL-3.0-or-later-Lizenz lizenziert.

Mitwirken

1. Forken Sie das Repository
2. Erstellen Sie einen Feature-Branch
3. Nehmen Sie Ihre Änderungen vor
4. Fügen Sie Tests hinzu, falls zutreffend
5. Reichen Sie einen Pull-Request ein

Support

Bei Problemen und Fragen:

1. Lesen Sie den Abschnitt zur Fehlerbehebung
2. Sehen Sie sich die Beispieldateien an
3. Öffnen Sie ein Issue im Repository
4. Kontaktieren Sie das Entwicklungsteam

Danksagungen

• Basiert auf der PHYSEC-Kanal-Fingerprinting-Forschung
• Verwendet TensorFlow für Deep-Learning-Inferenz
• Integriert sich mit GNU Radio für die SDR-Verarbeitung