gr-PHYSEC: 物理層セキュリティ向けGNU Radioモジュール

このGNU Radioモジュールは、深層学習モデルを使用した物理層セキュリティアプリケーション向けのチャネルフィンガープリンティング機能を提供します。

機能

• チャネルフィンガープリンティング: IQサンプルから固有のチャネル特性を抽出
• 深層学習統合: 特徴抽出のために学習済みモデル（QExtractor.h5）を使用
• 特徴量子化: 抽出された特徴をバイナリ値に変換
• プライバシー増幅: 鍵生成のために暗号学的ハッシュ（SHA3-512）を適用
• リアルタイム処理: SDRデバイスからのIQサンプルをリアルタイムで処理
• 複数モデル対応: TripletNetとQuadrupletNetの両アーキテクチャをサポート

要件

• GNU Radio 3.10+
• Python 3.8+
• TensorFlow 2.x
• NumPy
• Hashlib（組み込み）

インストール

1. リポジトリのクローン

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

2. ビルドディレクトリの作成

mkdir build
cd build

3. 設定とビルド

cmake ..
make -j$(nproc)

4. インストール

sudo make install
sudo ldconfig

5. インストールの確認

gnuradio-companion

新しいカテゴリ [PHYSEC] と PHYSEC Fingerprint Block が表示されるはずです。

使用方法

GNU Radio Companion (GRC)

1. GNU Radio Companionを開く
2. [PHYSEC] カテゴリを探す
3. PHYSEC Fingerprint Block をドラッグアンドドロップする
4. パラメータを設定する:
   • Model Path: QExtractor.h5ファイルへのパス
   • Model Type: "quadruplet" または "triplet" から選択
   • Spectrogram Size: FFTサイズ（デフォルト: 512）
   • Sample Rate: SDRサンプルレート（Hz）
   • Center Frequency: SDR中心周波数（Hz）
   • Key Length: 希望する鍵長（ビット）

Pythonスクリプト

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()

フローグラフの例

分離されたPHYSECブロックを使用した完全なフローグラフの例については、examples/decoupled_physic_example.grc を参照してください。

ブロックパラメータ

Spectrogram Block

Feature Extraction Block

Feature Quantization Block

Parity Generation Block

Reconciliation Block

Privacy Amplification Block

入力/出力

Spectrogram Block

• 入力: SDRからの複素IQサンプル
• 出力: スペクトログラムデータ（204×31のfloat値）

Feature Extraction Block

• 入力: スペクトログラムデータ（204×31のfloat値）
• 出力: 特徴ベクトル（512のfloat値）

Feature Quantization Block

• 入力: 特徴ベクトル（512のfloat値）
• 出力: バイナリ特徴（512のuint8値）

Parity Generation Block

• 入力: バイナリ特徴（512のuint8値）
• 出力: パリティビット（string）

Reconciliation Block

• 入力: バイナリ特徴 + パリティビット
• 出力: 調整済みバイナリ鍵（string）

Privacy Amplification Block

• 入力: バイナリ特徴（512のuint8値）
• 出力: 最終暗号鍵（128バイト）

メッセージフォーマット

フィンガープリント出力メッセージには以下が含まれます:

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

処理パイプライン

1. IQサンプル収集: Stream to Vectorを使用して受信IQサンプルをバッファリング
2. スペクトログラム作成: STFT、RMS正規化、周波数クロッピングを使用してIQサンプルをスペクトログラムに変換
3. 特徴抽出: ONNXモデルを使用してチャネル特徴を抽出
4. 特徴量子化: 設定可能な閾値を使用して特徴をバイナリ値に変換
5. パリティ生成: 誤り訂正のためのReed-Solomonパリティビットを生成
6. 鍵調整: パリティビットを使用して誤りを訂正
7. プライバシー増幅: 最終鍵生成のためにSHA3-512ハッシュを適用
8. 出力: ブロック間のストリームベース通信

モデル要件

ONNXモデルは以下を満たす必要があります:

• 入力形状 (batch, 204, 31) のスペクトログラムデータを受け入れる
• 長さ512の特徴ベクトルを出力する
• ONNX Runtimeと互換性がある
• float32の入力/出力をサポートする

トラブルシューティング

よくある問題

1. モデルが見つからない: QExtractor.h5へのパスが正しいことを確認してください
2. TensorFlowエラー: TensorFlowのインストールと互換性を確認してください
3. メモリ問題: メモリ使用量を減らすにはspectrogram_sizeを小さくしてください
4. パフォーマンス: 利用可能な場合はGPUアクセラレーションを使用してください

デバッグ出力

このブロックは詳細なデバッグ情報を提供します:

• 処理状況のコンソール出力
• 中間結果のためのメッセージポート
• 有益なメッセージを伴うエラーハンドリング

開発

新機能の追加

1. 適切な専用ブロック（例: spectrogram_block.py）を変更する
2. grc/ 内の対応するGRCブロック定義を更新する
3. モジュールを再ビルドする
4. サンプルでテストする

テスト

サンプルスクリプトを実行:

cd examples
python3 fingerprint_example.py

ライセンス

このプロジェクトはGPL-3.0-or-laterライセンスの下でライセンスされています。

コントリビューション

1. リポジトリをフォークする
2. フィーチャーブランチを作成する
3. 変更を加える
4. 該当する場合はテストを追加する
5. プルリクエストを送信する

サポート

問題や質問については:

1. トラブルシューティングセクションを確認する
2. サンプルファイルを確認する
3. リポジトリでissueを開く
4. 開発チームに連絡する

謝辞

• PHYSECチャネルフィンガープリンティング研究に基づいています
• 深層学習推論にTensorFlowを使用しています
• SDR処理のためにGNU Radioと統合しています