gr-PHYSEC: модуль GNU Radio для физической защиты канала

Этот модуль GNU Radio предоставляет возможности создания отпечатков канала для приложений физической защиты канала с использованием моделей глубокого обучения.

Возможности

• Создание отпечатков канала: извлечение уникальных характеристик канала из IQ-выборок
• Интеграция глубокого обучения: использование обученных моделей (QExtractor.h5) для извлечения признаков
• Квантование признаков: преобразование извлечённых признаков в двоичные значения
• Усиление конфиденциальности: применение криптографического хеширования (SHA3-512) для генерации ключей
• Обработка в реальном времени: обработка IQ-выборок в реальном времени с SDR-устройств
• Поддержка нескольких моделей: поддержка архитектур TripletNet и QuadrupletNet

Требования

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

Установка

1. Клонирование репозитория

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

2. Создание каталога сборки

mkdir build
cd build

3. Настройка и сборка

cmake ..
make -j$(nproc)

4. Установка

sudo make install
sudo ldconfig

5. Проверка установки

gnuradio-companion

Вы должны увидеть новую категорию [PHYSEC] с блоком PHYSEC Fingerprint Block.

Использование

GNU Radio Companion (GRC)

1. Откройте GNU Radio Companion
2. Найдите категорию [PHYSEC]
3. Перетащите блок PHYSEC Fingerprint Block
4. Настройте параметры:
   • Model Path: путь к вашему файлу QExtractor.h5
   • Model Type: выберите между "quadruplet" или "triplet"
   • Spectrogram Size: размер FFT (по умолчанию: 512)
   • Sample Rate: частота дискретизации SDR в Гц
   • Center Frequency: центральная частота SDR в Гц
   • Key Length: желаемая длина ключа в битах

Python-скрипт

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()

Пример графа потоков

См. examples/decoupled_physic_example.grc для полного примера графа потоков с использованием раздельных блоков PHYSEC.

Параметры блоков

Блок спектрограммы

Блок извлечения признаков

Блок квантования признаков

Блок генерации чётности

Блок согласования

Блок усиления конфиденциальности

Вход/Выход

Блок спектрограммы

• Вход: комплексные IQ-выборки от SDR
• Выход: данные спектрограммы (204×31 значений float)

Блок извлечения признаков

• Вход: данные спектрограммы (204×31 значений float)
• Выход: вектор признаков (512 значений float)

Блок квантования признаков

• Вход: вектор признаков (512 значений float)
• Выход: двоичные признаки (512 значений uint8)

Блок генерации чётности

• Вход: двоичные признаки (512 значений uint8)
• Выход: биты чётности (строка)

Блок согласования

• Вход: двоичные признаки + биты чётности
• Выход: согласованный двоичный ключ (строка)

Блок усиления конфиденциальности

• Вход: двоичные признаки (512 значений uint8)
• Выход: итоговый криптографический ключ (128 байт)

Формат сообщения

Выходное сообщение отпечатка содержит:

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

Конвейер обработки

1. Сбор IQ-выборок: буферизация входящих IQ-выборок с помощью Stream to Vector
2. Создание спектрограммы: преобразование IQ-выборок в спектрограмму с помощью STFT, RMS-нормализации и обрезки по частоте
3. Извлечение признаков: использование модели ONNX для извлечения признаков канала
4. Квантование признаков: преобразование признаков в двоичные значения с использованием настраиваемых порогов
5. Генерация чётности: генерация битов чётности Рида-Соломона для исправления ошибок
6. Согласование ключа: исправление ошибок с использованием битов чётности
7. Усиление конфиденциальности: применение хеширования SHA3-512 для генерации итогового ключа
8. Выход: потоковая связь между блоками

Требования к модели

Ваша модель ONNX должна:

• Принимать входную форму: (batch, 204, 31) для данных спектрограммы
• Выдавать векторы признаков длиной 512
• Быть совместимой с ONNX Runtime
• Поддерживать ввод/вывод float32

Устранение неполадок

Распространённые проблемы

1. Модель не найдена: убедитесь, что путь к QExtractor.h5 указан верно
2. Ошибки TensorFlow: проверьте установку и совместимость TensorFlow
3. Проблемы с памятью: уменьшите spectrogram_size для снижения потребления памяти
4. Производительность: используйте ускорение на GPU, если доступно

Отладочный вывод

Блок предоставляет обширную отладочную информацию:

• Вывод в консоль о состоянии обработки
• Порты сообщений для промежуточных результатов
• Обработка ошибок с информативными сообщениями

Разработка

Добавление новых возможностей

1. Измените соответствующий специализированный блок (например, spectrogram_block.py)
2. Обновите соответствующее определение блока GRC в grc/
3. Пересоберите модуль
4. Протестируйте с примерами

Тестирование

Запустите пример скрипта:

cd examples
python3 fingerprint_example.py

Лицензия

Этот проект лицензирован под лицензией GPL-3.0-or-later.

Участие в разработке

1. Форкните репозиторий
2. Создайте ветку для новой функции
3. Внесите свои изменения
4. Добавьте тесты, если применимо
5. Отправьте pull request

Поддержка

По вопросам и проблемам:

1. Проверьте раздел устранения неполадок
2. Изучите примеры файлов
3. Откройте issue в репозитории
4. Свяжитесь с командой разработчиков

Благодарности

• Основано на исследовании создания отпечатков канала PHYSEC
• Использует TensorFlow для вывода глубокого обучения
• Интегрируется с GNU Radio для обработки SDR