物聯網(IoT)的適用范圍不斷擴大，意味著連接到互聯網的設備數量和類型不斷增加。物聯網設備范圍可以從亞馬遜Alexa和GoogleHome到藍牙咖啡機和牙刷。與手機和計算機不同，這些物聯網設備可能沒有強大的安全性。黑客可以通過較弱的設備滲透到網絡中，以訪問具有更高安全性的設備上的私人信息。

　　為物聯網設備提高安全性非常具有挑戰性，因為它們必須體積小（以適合設備）并且需要相對較低的功率（以避免耗盡設備）。通常，這些設備也不能執行復雜的計算。卡內基梅隆大學電氣與計算機工程系節能電路與系統(EECS)實驗室的研究人員正在發明新方法來應對這些挑戰。

　　在網絡中，設備（也稱為節點）已經相互信任；也就是說，它們通過發送和接收信號來公開交流。如果外部設備試圖與節點交互，網絡將忽略它。黑客獲得網絡訪問權的一種方法是冒充受信任的節點。因此，創建安全措施必須涉及一個強大的過程，以驗證任何嘗試通信的設備的身份。

　　實現無線安全系統的典型方法是通過某種加密機制，這需要一些物聯網設備難以支持的計算能力，我們研究的重點是一種特定形式的低功耗安全機制，稱為射頻指紋識別。

　　射頻指紋(RFF)是指一種通過利用硬件變化來識別設備的方法，盡管在制造過程中使用了精度。這些變化導致設備傳輸的無線電波具有獨特的特征。經過信號處理后，這些特征可用于識別特定設備。

　　使RFF更難被黑客識別并因此模仿的一種方法是更改指紋的特征。這是一項艱巨的任務，特別是考慮到RFF是由無意的制造偏差造成的。其中一篇研究人員的論文著眼于使用功率放大器來改變設備的信號特征。

　　通常，每個設備都有固定的硬件特性，這些特性可能會隨著環境或隨著時間的推移而緩慢變化，但是這個功率放大器能夠自我重新配置，在一個設備中生成各種射頻指紋，防止攻擊設備的人模仿硬件特性。

　　這項工作使用卷積神經網絡(CNN)來處理和分類信號傳輸。研究人員發現，CNN能夠通過評估處理后信號中的RFF來準確地將傳入信號分類為安全或不安全。

　　另一篇論文是關于使用貝葉斯神經網絡(BNN)識別和分類RFF的概念驗證研究。BNN依賴于貝葉斯統計，這解釋了其預測的不確定性。與傳統的神經網絡不同，對于任何給定的輸入，BNN不會每次都產生相同的輸出。與CNN一樣，他們發現BNN能夠快速準確地完成這些任務。他們還發現可以使用輕量級神經網絡，這意味著BNN不需要太多的計算能力。

　　這兩篇論文都顯示了使用RFF作為物聯網設備安全措施的可喜結果。接下來，研究人員正計劃創建硬件，以便在將用于外太空的小型低功率設備中使用射頻指紋識別。保持物聯網設備的安全對于保持網絡遠離黑客是必要的。