Meta-ELM Sınıflandırıcılarını Kullanarak IoT Cihazlarının RF Parmak İzi Tabanlı Tanımlanması

Parmaksiz H., Karakuzu C.

Sakarya University Journal of Computer and Information Sciences (Online), cilt.9, sa.5, ss.1464-1484, 2026 (Scopus, TRDizin)

Özet

Nesnelerin İnterneti (IoT) cihazlarının giderek artan popülaritesi, bu cihazları saldırılara karşı savunmasız hale getirmiş ve sınırlı kaynaklar nedeniyle özelleştirilmiş güvenlik önlemlerinin alınmasını zorlaştırmıştır. Bu sorunu çözmek için, kablosuz sinyallerin fiziksel katmanındaki özellikler olan RF parmak izleri, IoT cihazlarını tanımlamak ve kimlik doğrulamasını yapmak amacıyla kullanılmaktadır. Bu çalışmada, RF sinyallerini yakalamak ve kaydetmek için düşük maliyetli yazılım tanımlı radyo (SDR), tek kartlı bir bilgisayar ve açık kaynaklı yazılım kullanılmaktadır. Yakalanan sinyaller, sınıflandırma için özellikleri belirlemek üzere Hilbert dönüşümü kullanılarak analiz edilmektedir. En alakalı özellikleri seçmek için çeşitli istatistiksel yöntemler uygulanmakta olup, Minimum Redundancy and Maximum Relevance (Minimum Yedeklilik ve Maksimum Alakalılık) tekniği ile özellik boyutu daha da azaltılmaktadır. RF parmak izleme alanında ilk kez, ELM tabanlı Meta-ELM, Meta Multilayer ELM (Meta-MLELM) ve Meta Constrained Mixed ELM (Meta-CMELM) algoritmaları, cihaz tanımlama için sınıflandırıcılar olarak kullanılmaktadır. Bu sınıflandırıcıların performansı, 7 cihazdan elde edilen 3752 ham sinyalden oluşan RF parmak izi veri seti temelinde değerlendirilmiştir. Meta-MLELM sınıflandırıcısının doğruluk oranı %88 iken, Meta-ELM sınıflandırıcısının doğruluk oranı yaklaşık %90’dur. Meta-CMELM sınıflandırıcısı ise %92’lik bir doğruluk oranıyla performans göstermektedir.

The increasing popularity of Internet of Things (IoT) devices has made them vulnerable to attackers, making customized security measures difficult due to limited resources. To address this issue, RF fingerprints, features of the physical layer of wireless signals, are being used to identify and authenticate IoT devices. This study uses low-cost software-defined radio (SDR), a single-board computer, and open-source software to capture and record RF signals. The captured signals are analyzed using the Hilbert transform to determine features for classification. Various statistical methods are applied to select the most relevant features, with the Minimum Redundancy and Maximum Relevance technique further reducing feature size. For the first time in RF fingerprinting, ELM-based Meta-ELM, Meta Multilayer ELM (Meta-MLELM), and Meta Constrained Mixed ELM (Meta-CMELM) algorithms are used as classifiers for device identification. The performance of these classifiers is evaluated based on the RF fingerprint dataset, which consist of 3752 raw signals from 7 devices. The Meta-MLELM classifier has an accuracy rate of 88%, while the Meta-ELM classifier has an accuracy rate of around 90%. The Meta-CMELM classifier performs with an accuracy rate of 92%.