# 射频指纹合谋仿冒攻击开源代码

**Repository Path**: lingbandeng/CollusionAttack-RFF

## Basic Information

- **Project Name**: 射频指纹合谋仿冒攻击开源代码
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 22
- **Forks**: 17
- **Created**: 2026-03-17
- **Last Updated**: 2026-03-27

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# RFFI 无线设备射频指纹识别与合谋攻击仿真框架

## 项目简介

本项目围绕**无线设备射频指纹识别（RFFI, Radio Frequency Fingerprint Identification）**及其安全性展开研究，实现了从仿真数据生成、识别网络训练到合谋攻击的完整实验流水线。

项目基于 IEEE 802.11（Wi-Fi）前导码（L-STF + L-LTF，共320个采样点），通过提取发射机硬件缺陷（IQ不平衡）产生的射频指纹，训练深度学习分类器实现设备身份识别。在此基础上，进一步研究攻击者（Mallory）如何通过生成对抗信号，绕过 RFFI 系统的身份验证机制（**合谋攻击 / 模仿攻击**）。

---

## 项目结构

```
├── Data_Generation/          # 仿真数据生成模块（MATLAB）
│   ├── calculateCLPS.m       # CLPS 特征提取
│   ├── calculateDolos.m      # DoLoS 特征提取
│   ├── create_standard_channel_model.m  # TGn 标准信道模型构建
│   ├── generate_database.m   # 数据集生成主脚本
│   └── generate_sample_baseband.m       # 单样本基带信号生成
│
├── RFFI/                     # 射频指纹识别网络（Python/PyTorch）
│   ├── resnet_model.py       # ResNet 分类器
│   ├── resnet_train.py       # ResNet 训练脚本
│   ├── resnet_test.py        # ResNet 测试脚本
│   ├── grnet_model.py        # GRNet 分类器
│   ├── grnet_train.py        # GRNet 训练脚本
│   ├── grnet_test.py         # GRNet 测试脚本
│   └── ls_equalization.py    # LS 信道均衡 + CFO 补偿
│
└── Impersonation_Attack/     # 合谋攻击模块（Python/PyTorch）
    ├── CHANNEL_CONFIG.py     # 信道场景配置
    ├── channel_sim.py        # PyTorch 可微信道仿真器（TGn + AWGN）
    ├── dac_module.py         # 可微 DAC 量化模块（STE）
    ├── robust_feature.py     # 信道鲁棒特征提取（CLPS / DoLoS）
    ├── ls_equalization.py    # 接收端 DSP（LS 均衡）
    ├── VAE_model.py          # VAE / AE 生成网络
    ├── ResGen_model.py       # 残差生成网络
    ├── Unet_model.py         # U-Net 生成网络
    ├── grnet_model.py        # GRNet 目标分类器
    ├── resnet_model.py       # ResNet 目标分类器
    ├── attack_DNN_train.py   # 针对深度学习方法的攻击训练
    └── attack_feature_train.py  # 针对特征提取方法的攻击训练
```

---

## 系统流程

```
[Data_Generation]
  MATLAB仿真 → IQ不平衡建模 → TGn信道 + AWGN → CLPS/DoLoS特征提取 → 数据集

[RFFI]
  原始IQ数据 → LS均衡 + CFO补偿 → ResNet / GRNet → 设备分类

[Impersonation_Attack]
  Mallory基带信号 → 生成网络(AE/VAE/ResGen/UNet)
      ↓ 可微DAC量化
      ↓ TGn + AWGN 信道仿真
      ↓ LS均衡 / 信道鲁棒特征提取
      ↓ 目标RFFI分类器（冻结）
      ↓ 对抗损失 + 结构损失 + 特征中心损失
  → 攻击网络收敛 → 生成可欺骗分类器的伪造射频信号
```

---

## 模块说明

### 1 仿真数据生成模块（MATLAB）

位于 `Data_Generation/`，基于 MATLAB 通信工具箱，仿真完整的 Wi-Fi 物理层发射链路。

**主要功能：**

- **`generate_database.m`**：数据集生成主脚本，支持11个发射设备（不同 IQ 不平衡参数）和1个 Mallory 设备，支持并行加速（`parfor`），输出训练/测试/攻击三类数据集。

- **`generate_sample_baseband.m`**：单样本生成流水线，依次执行：
  1. 从 ROM 十六进制码生成标准 802.11 前导码（STF 160点 + LTF 160点）
  2. 施加发射机 IQ 不平衡（幅度 + 相位）
  3. 经过 TGn 多径信道 + AWGN 信道
  4. Z-Score 归一化
  5. 提取 CLPS 或 DoLoS 特征

- **`create_standard_channel_model.m`**：构建标准化 TGn 信道，支持4种场景：

  | 场景标识 | 描述 | TGn模型 | SNR |
  |---|---|---|---|
  | `indoor_simple` | 简单室内（住宅/小房间） | Model-B | 20 dB |
  | `indoor_moderate` | 中等室内（小办公室） | Model-C | 18 dB |
  | `indoor_complex` | 复杂室内（办公室） | Model-D | 15 dB |
  | `high_multipath` | 强多径（大空间/准室外） | Model-F | 10 dB |

- **`calculateCLPS.m`**：提取循环平稳功率谱（CLPS）特征——对接收信号计算自相关函数，再做 FFT 得到功率谱，取对数后去均值。

- **`calculateDolos.m`**：提取 DoLoS 特征——对 STF 和 LTF 片段进行 CFO 补偿、平均去噪、FFT，在12个公共子载波上计算对数功率差，消除信道影响保留硬件指纹。

---

### 2 RFFI 识别网络训练

位于 `RFFI/`，提供两种深度学习识别网络，以原始 IQ 信号为输入，经过 LS 均衡预处理后进行设备分类。

#### 2.1 接收端信号预处理（`ls_equalization.py`）

`SignalProcessor` 类实现完整的接收端 DSP 流水线：

1. **CFO 估计与补偿**：利用 L-STF 16点周期结构，通过相邻符号相关估计载波频偏，并在时域补偿相位旋转。
2. **LS 信道均衡**：以第二个 LTF 做信道估计（`H = Y/X`），采用正则化迫零均衡（`W = H* / (|H|² + λ)`）对 STF 和 LTF 各段做分段频域均衡。
3. **Z-Score 归一化**：消除幅度尺度差异。

#### 2.2 ResNet 分类器（`resnet_model.py`）

基于标准 ResNet 架构，输入双通道特征图（I/Q 通道），通过四个残差阶段和全局平均池化输出设备类别。

- 输入格式：`(B, 2, 1, signal_length)`（CLPS/DoLoS 特征）
- 训练脚本：`resnet_train.py`
- 测试脚本：`resnet_test.py`（含混淆矩阵可视化）

#### 2.3 GRNet 分类器（`grnet_model.py`）

专为短前导码（320点）设计的分组残差网络（Grouped Residual Network）：

- **输入切片**：将 `(B, 2, 320)` 重排为 `(B, 20, 32, 1)`，即 M=10 个切片，每切片长 L=32，保留 I/Q 二维结构。
- **分组卷积**：每个残差块内使用分组卷积独立处理各切片，降低参数量。
- **通道融合（RC）**：每个残差块后接 1×1 全连接卷积，在切片间交换信息，实现局部细粒度特征与全局交互的结合。
- 训练脚本：`grnet_train.py`
- 测试脚本：`grnet_test.py`

---

### 3 合谋攻击实现

位于 `Impersonation_Attack/`，实现端到端可微的射频指纹模仿攻击框架。攻击者（Mallory）训练一个生成网络，将自身基带信号转化为可被目标 RFFI 系统误认为合法设备的伪造信号。

#### 3.1 信道仿真模块（`channel_sim.py`）

`ChannelSimulator` 整合 TGn 多径信道与 AWGN 信道，全程在 PyTorch 张量上运算，支持梯度传播：

- **`WlanTGnChannelTorch`**：支持 Model-A 至 Model-F，实现随机信道系数生成、多普勒效应模拟和多径叠加。
- **`AWGNChannel`**：按目标 SNR 添加复高斯噪声。
- 信道场景由 `CHANNEL_CONFIG.py` 统一管理（`in1`/`in2`/`in3`/`out`）。

#### 3.2 可微 DAC 模块（`dac_module.py`）

`DACModule` 使用**直通估计器（STE, Straight-Through Estimator）**实现可微量化：

- **前向**：对信号执行均匀量化（模拟 DAC/ADC 有限精度，默认12位）。
- **反向**：梯度直接通过量化操作，保证端到端可训练。

#### 3.3 信道鲁棒增强模块（`robust_feature.py`）

完整的接收端特征提取流水线，使生成信号的特征分布向目标设备靠拢：

**3.3.1 特征提取**

- **CLPS**：`extract_clps()` 在 PyTorch 上实现 FFT 自相关 → 功率谱 → 对数归一化，输出 `(B, 1, 1, signal_length)`。
- **DoLoS**：`extract_dolos()` 实现 CFO 补偿 → STF/LTF 均值去噪 → 频域子载波功率差，输出 `(B, 1, 1, 12)`。

**3.3.2 LS 均衡模块**

复用 `RFFI/ls_equalization.py` 中的 `SignalProcessor`，在攻击训练中模拟接收端的 CFO 补偿和信道均衡过程。

`RobustFeatureExtractor` 类统一封装完整流水线：信道仿真（可选）→ Z-Score 标准化 → CLPS/DoLoS 特征提取。

#### 3.4 攻击生成网络

提供四种生成网络架构，接口统一（输入 `(B, 2, 1, 320)`，输出 `(B, 2, 1, 320)` 及 VAE 参数）：

| 网络 | 文件 | 特点 |
|---|---|---|
| **AE** | `VAE_model.py` | 三层卷积编解码器，确定性重建 |
| **VAE** | `VAE_model.py` | 变分自编码器，潜空间正则化，支持 KL 损失 |
| **ResGen** | `ResGen_model.py` | 残差扰动生成器，在原始信号基础上叠加可学习扰动 |
| **U-Net 1D** | `Unet_model.py` | 编解码器 + 跳跃连接，捕获多尺度时域特征 |

#### 3.5 攻击网络训练

##### 3.5.1 针对特征提取方法（`attack_feature_train.py`）

攻击目标为基于 CLPS/DoLoS 特征的 ResNet 分类器，优化以下联合损失：

$$\mathcal{L} = w_\text{recon} \cdot \mathcal{L}_\text{recon} + w_\text{clps} \cdot \mathcal{L}_\text{clps} + w_\text{cls} \cdot \mathcal{L}_\text{cls}$$

- **$\mathcal{L}_\text{recon}$（结构损失）**：余弦相似度损失，保持生成信号与 Mallory 基带信号的波形结构一致性。
- **$\mathcal{L}_\text{clps}$（分布对齐损失）**：MMD 损失 + 均值/标准差对齐，使生成信号的 CLPS 特征分布向目标设备靠拢。
- **$\mathcal{L}_\text{cls}$（分类欺骗损失）**：交叉熵损失，引导分类器将生成信号判定为目标类别。

##### 3.5.2 针对深度学习方法（`attack_DNN_train.py`）

攻击目标为端到端 GRNet 分类器，优化以下联合损失：

$$\mathcal{L} = w_\text{adv} \cdot \mathcal{L}_\text{adv} + w_\text{rec} \cdot \mathcal{L}_\text{rec} + w_\text{feat} \cdot \mathcal{L}_\text{feat}$$

- **$\mathcal{L}_\text{adv}$（对抗损失）**：交叉熵损失，引导 GRNet 输出目标类别。
- **$\mathcal{L}_\text{rec}$（结构损失）**：余弦相似度损失，约束生成信号的波形合理性。
- **$\mathcal{L}_\text{feat}$（特征中心损失）**：MSE 损失，拉近生成信号的 GRNet 特征向量与目标设备特征中心之间的距离（目标中心由目标设备真实数据预计算得到）。

两个训练脚本均支持以下**消融实验开关**：

```python
USE_QUANTIZATION = True   # 是否启用可微 DAC 量化
USE_CHANNEL_SIM  = True   # 是否启用 TGn + AWGN 信道仿真
```

---

## 环境依赖

**MATLAB 模块（Data_Generation）**

- MATLAB R2020b 及以上
- Communications Toolbox（`wlanTGnChannel`、`comm.AWGNChannel`）
- WLAN Toolbox

**Python 模块（RFFI / Impersonation_Attack）**

```bash
pip install torch torchvision numpy scipy scikit-learn matplotlib seaborn tqdm
```

| 依赖 | 说明 |
|---|---|
| Python ≥ 3.8 | |
| PyTorch ≥ 1.12 | 支持 `torch.fft`、复数张量 |
| NumPy | 数值计算 |
| SciPy | `.mat` 文件读取 |
| scikit-learn | 数据集划分 |
| matplotlib / seaborn | 混淆矩阵可视化 |

---

## 快速开始

### 第一步：生成仿真数据集

在 MATLAB 中运行：

```matlab
% 修改 generate_database.m 中的参数
% NumofSample = 10000;   % 训练集
% SEED = [51, 100];      % 训练集种子
% scenario_type = 'indoor_simple';

run('Data_Generation/generate_database.m')
```

### 第二步：训练 RFFI 识别网络

```bash
# 训练 ResNet（基于 CLPS 特征）
cd RFFI
python resnet_train.py

# 训练 GRNet（基于原始 IQ + LS 均衡）
python grnet_train.py
```

### 第三步：测试识别性能

```bash
python resnet_test.py
python grnet_test.py
```

### 第四步：训练攻击网络

```bash
cd Impersonation_Attack

# 针对特征提取方法（ResNet + CLPS）
python attack_feature_train.py

# 针对深度学习方法（GRNet + Raw IQ）
python attack_DNN_train.py
```

---

## 数据格式说明

| 数据类型 | 格式 | 说明 |
|---|---|---|
| 原始 IQ 数据（txt） | 每样本：Real(320行) + Imag(320行) 顺序写入 | 实测设备数据 |
| 仿真特征数据（mat） | `Device_data`，shape `(N, signal_length)` | CLPS/DoLoS 特征 |
| Mallory 基带信号（mat） | `Device_data`，shape `(N, 320)` | 攻击者基带 IQ |
| 网络输入（张量） | `(B, 2, signal_length)` 或 `(B, 2, 1, signal_length)` | I/Q 双通道 |

---

## 主要参数配置

**信道场景（`CHANNEL_CONFIG.py`）**

```python
channel_configs = {
    'in1': {'snr_db': 20, 'tgn_model': 'Model-B', 'environment_speed': 1.0},  # 简单室内
    'in2': {'snr_db': 18, 'tgn_model': 'Model-C', 'environment_speed': 1.2},  # 中等室内
    'in3': {'snr_db': 15, 'tgn_model': 'Model-D', 'environment_speed': 1.5},  # 复杂室内
    'out':  {'snr_db': 10, 'tgn_model': 'Model-F', 'environment_speed': 3.0}, # 准室外
}
```

**攻击训练损失权重**

| 损失项 | 针对特征方法 | 针对DNN方法 |
|---|---|---|
| 对抗/分类损失 | `cls: 10.0` | `adv: 10.0` |
| 结构重建损失 | `recon: 5.0` | `rec: 5.0` |
| 特征对齐损失 | `clps: 10.0` | `feat: 10.0` |
| KL 散度（VAE） | `kl: 0.001` | `kl: 0.001` |

---