Identifizierung von Angreifern im LoRaWAN durch Physical Channel Fingerprinting

Abstrakt

In der heutigen Zeit sind drahtlose Netzwerke und IoT-Technologien in eine Vielzahl von Anwendungen integriert worden. Eine der wichtigsten IoT-Technologien ist das Long-Range Wide Area Network (LoRaWAN), da es die Kommunikation über große Entfernungen mit Energieeffizienz verbindet. Die Gewährleistung der Sicherheit des Netzwerkverkehrs ist in einer Vielzahl von Branchen von entscheidender Bedeutung, und die Sicherheit ist angesichts der zunehmenden Digitalisierung ein kritisches Merkmal. Der "Man in the Middle"-Angriff ist eine der gefährlichsten und am schwersten zu identifizierenden Bedrohungen für drahtlose Netzwerke und kann zu einer kritischen Bedrohung für digitalisierte Anlagen und industrielle Prozesse werden. In dieser Studie untersuchen wir einen alternativen Ansatz zur Lösung dieses Problems, um die Sicherheit drahtloser Netzwerke zu gewährleisten. Die Technik basiert auf der "Behavioural Security Method", bei der wir ein Feed-Forward-Neural-Network-Modell eingesetzt haben, um einen binären Klassifikator zu erstellen, der die ursprünglich gewünschten Daten unterscheiden und erkennen und gleichzeitig die Daten des Angreifers erkennen kann. Dabei haben wir festgestellt, dass das Modell mit einer Genauigkeit von 99,6 % zwischen den Daten der Quelle und den Daten des Angreifers unterscheiden kann, solange sich der Angreifer und der Zielknoten nicht am selben Ort befinden. Wenn sie sich jedoch an einem gemeinsamen Standort befinden, kann das Modell die Datenquelle nicht identifizieren und die Genauigkeit des Modells sinkt auf etwa 50 %.