하드웨어 워밍업을 극복한 WiFi 디바이스 지문 인식 프레임워크 HEEDFUL

초록

본 논문은 WiFi 디바이스의 초기 전원 가동 시 발생하는 하드웨어 워밍업 현상이 RF 지문 인식 정확도에 미치는 영향을 규명하고, 순차 전이 학습과 하드웨어 손상 추정기를 결합한 HEEDFUL 프레임워크를 제안한다. 시간 영역 I/Q 신호와 8가지 하드웨어 손상을 동시에 학습함으로써 초기 2~6분 구간에서도 90% 이상, 안정기 이후에도 85% 이상의 높은 분류 정확도를 달성한다. 또한 WiFi b·n 데이터셋과 코드가 공개되어 재현성과 확장성을 확보한다.

상세 분석

HEEDFUL은 기존 딥러닝 기반 RF 지문 인식이 “시간 민감성” 문제, 특히 디바이스 전원 가동 직후의 워밍업 단계에서 급격히 성능이 저하되는 현상을 근본적으로 해결하고자 한다. 논문은 먼저 전원 가동 후 020분 사이에 캡처된 I/Q 파형을 시각화하고, 온도 상승에 따른 발진기 주파수 드리프트, 증폭기 이득 변동, 전원 전압 불안정 등 8가지 하드웨어 손상이 시간에 따라 어떻게 변하는지를 정량적으로 분석한다. 이 과정에서 12분 경에 대부분의 파라미터가 수렴함을 확인하고, 워밍업 초기(26분)에는 신호의 위상·진폭 변동이 크게 증가함을 보여준다.

핵심 설계는 두 단계의 학습 흐름이다. 첫 번째 단계에서는 다중 출력 CNN을 이용해 시간 영역 I/Q와 동시에 8가지 손상을 예측하도록 사전 학습한다. 손상 추정기는 각 손상이 신호에 미치는 영향을 파라미터화함으로써, 이후 디바이스 식별 단계에서 “불안정한” 특징이 과도히 강조되는 것을 방지한다. 두 번째 단계에서는 사전 학습된 손상 추정기의 중간 표현을 고정하고, 별도의 디바이스 분류 헤드를 추가해 순차 전이 학습(sequential transfer learning)을 수행한다. 이때 소스 태스크는 “안정기” 데이터(12분 이후)이며, 타깃 태스크는 “워밍업” 구간 데이터이다. 전이 학습을 통해 모델은 안정기에서 학습된 견고한 하드웨어 고유 특성을 워밍업 구간에도 일반화하도록 유도한다.

구조적으로는 단일 입력(시간 영역 I/Q) → 다중 출력(8개 손상) → 공유 특징 추출기 → 디바이스 분류기로 이루어진 파이프라인이며, ResNet·CNN 대비 파라미터 수가 비슷하면서도 손상 추정이라는 추가 목표를 갖는다. 이는 모델이 “왜” 특정 디바이스를 구분하는지에 대한 해석 가능성을 제공한다는 부수 효과도 있다.

실험은 15대 Pycom 디바이스(802.11b·n)에서 250k 프레임 이상을 수집한 자체 데이터셋을 사용한다. 교차일(cross‑day) 및 교차프로토콜 평가에서 HEEDFUL은 초기 2분 구간에서 90% 이상, 6분 구간에서 96%의 정확도를 기록한다. 반면 동일 조건의 ResNet은 40% 수준, 일반 CNN은 64% 수준에 머물렀다. 또한 워밍업 구간을 제외하고 안정기 데이터만으로 학습한 경우에도, 워밍업 테스트에서 87% 이상의 정확도를 유지한다. 이러한 결과는 손상 추정과 전이 학습이 워밍업 현상을 효과적으로 보정한다는 것을 실증한다.

한편 한계점도 존재한다. 현재 실험은 정적 실내 환경에서 수행했으며, 이동성이나 다중 경로가 심한 환경에서는 온도 외에 채널 변동이 추가적으로 영향을 미칠 수 있다. 또한 손상 추정기에 사용된 8가지 파라미터는 사전에 정의된 것이며, 새로운 디바이스 유형이나 최신 RF 칩셋에서는 추가적인 손상이 필요할 가능성이 있다. 마지막으로 전이 학습 단계에서 소스와 타깃 데이터의 시간 간격이 크면 성능 저하가 관찰될 수 있어, 온라인 적응 메커니즘이 향후 연구 과제로 남는다.

전반적으로 HEEDFUL은 “워밍업 단계에서도 신뢰할 수 있는 RF 지문 인식”이라는 실용적 문제를 데이터‑드리븐 방식으로 해결한 점에서 의미가 크다. 손상 추정과 전이 학습이라는 두 축을 결합함으로써, 기존 모델이 과도히 특정 시점의 변동에 의존하는 현상을 완화하고, 실제 보안·인증 시스템에 적용 가능한 견고성을 제공한다.