РОЗРОБКА КОНЦЕПЦІЇ ІНТЕГРОВАНОЇ СИСТЕМИ АКТИВНОГО ВИЯВЛЕННЯ РАДІОЗАКЛАДНИХ ПРИСТРОЇВ ЗА ДОПОМОГОЮ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ТА SDR-ПРИЙМАЧІВ

Іван Опірський; Артем Стефанків; Георгій Лобан; Олександр Гимза

doi:10.28925/2663-4023.2026.35.1459

Автор(и)

Іван Опірський Національний університет "Львівська політехніка" https://orcid.org/0000-0002-8461-8996
Артем Стефанків Національний університет "Львівська політехніка" https://orcid.org/0009-0006-8851-8358
Георгій Лобан Національний університет "Львівська політехніка" https://orcid.org/0009-0006-8851-8358
Олександр Гимза Національний університет "Львівська політехніка" https://orcid.org/0009-0009-7928-7545

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1459

Ключові слова:

виявлення закладних пристроїв, технічний захист інформації, радіочастотний моніторинг, ідентифікація за радіочастотними відбитками, SDR-приймач, VOX-активація, стимуляцйні сигнали, згорткові нейронні мережі, класифікація на відкритому наборі

Анотація

Сучасні засоби радіочастотного виявлення закладних пристроїв переважно пасивні: вони фіксують появу нових випромінювань у спектрі, але не можуть спровокувати передавання пристроїв, що активуються за подією – голосом (VOX-активація), рухом чи за розкладом, а комерційні системи ідентифікації за радіочастотними відбитками (RFFI) не розкривають своїх алгоритмів. Метою статті є розробка концепції архітектури інтегрованої системи виявлення пристроїв на основі доступного обладнання, яка поєднує пасивну RFFI з модулями випромінювачів стимуляційних сигналів. Аналіз публікацій показав, що стимуляційний вплив та ідентифікація джерела відгуку досі розглядаються окремо. Запропоновано класифікацію цілей виявлення за доменами зібраної інформації та за поведінковими характеристиками (постійне передавання, внутрішня, зовнішня та часова активація), розглянуто особливості двох поколінь засобів радіочастотного виявлення. Розроблено апаратну архітектуру системи, що включає SDR-приймач із режимами огляду спектра та цільового захоплення I/Q-відліків, випромінювачі акустичних, ультразвукових, інфрачервоних і радіочастотних стимулів з інтерфейсним модулем фіксації міток часу та модуль антенного перемикача. Запропоновано процедуру обстеження, за якої стимули подаються за псевдовипадковим розкладом, а рішення ґрунтується на двох ознаках: кореляції моментів появи випромінювання з розкладом стимулів і невідповідності радіочастотного відбитка базі легітимних пристроїв. Програмну архітектуру побудовано на згортковій нейронній мережі, яка використовується як екстрактор ознак для класифікації на відкритому наборі. Імітаційне моделювання показало, що за шести стимулів пристрій із VOX-активацією виявляється з імовірністю 0,93 за імовірності хибної тривоги не більше 0,01 на сеанс тривалістю близько 2 хв за умови повторного огляду частоти не рідше ніж раз на 0,5 с, а захоплення сигналу, синхронізоване зі стимулом, підвищує якість ідентифікації аналогових передавачів (площа під ROC-кривою 0,75 проти 0,59 за відношення сигнал/шум 20 дБ). Водночас за досягнутої якості ідентифікації злиття ознак не зменшує кількості хибних тривог, тому підвищення надійності RFFI визначено ключовим напрямом подальших досліджень.

Завантаження

Дані завантаження ще не доступні.

Посилання

Samosud, Z. O. (2015). Bugs detection using acoustic location. Ukrainian Scientific Journal of Information Security, 21(3), 263—268. https://doi.org/10.18372/2225-5036.21.9689

Voronin, M. O. (2022). Methods of detecting radio broadcast at objects of information activity. Modern Information Security, 52(4). https://doi.org/10.31673/2409-7292.2022.040010

Klymenko, K. O., Kostenko, O. V., & Ilchenko, O. M. (2020). General classification of means of covert obtaining of information and methods of their detection. Scientific Notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, 1(6), 6–15. https://doi.org/10.32838/tnu-2663-5941/2020.6-1/02

Konotopets, M. M., Smolkov, O. Yu., & Pshenychna, Yu. O. (2025). Enhancing the capabilities of search complexes in detecting optoelectronic elements of covert information gathering devices at information activity sites. Modern Information Technologies in the Sphere of Security and Defence, 53(2), 60–69. https://doi.org/10.33099/2311-7249/2025-53-2-60-69

Sami, S., Tan, S. R. X., Sun, B., & Han, J. (2021). LAPD: Hidden Spy Camera Detection using Smartphone Time-of-Flight Sensors. Proceedings of the 19th ACM Conference on Embedded Networked Sensor Systems, 288—301. https://doi.org/10.1145/3485730.3485941

Chaman, A., Wang, J., Sun, J., Hassanieh, H., & Roy Choudhury, R. (2018). Ghostbuster: Detecting the Presence of Hidden Eavesdroppers. Proceedings of the 24th Annual International Conference on Mobile Computing and Networking, MobiCom ’18, 337—351. https://doi.org/10.1145/3241539.3241580

Jagannath, A., Jagannath, J., & Kumar, P. S. P. V. (2022). A comprehensive survey on radio frequency (RF) fingerprinting: Traditional approaches, deep learning, and open challenges. Computer Networks, 109455. https://doi.org/10.1016/j.comnet.2022.109455

Liu, Y., Wang, J., Li, J., Niu, S., & Song, H. (2021). Machine Learning for the Detection and Identification of Internet of Things (IoT) Devices: A Survey (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2101.10181

Flak, P. (2022). Hardware-Accelerated real-time spectrum analyzer with a broadband fast sweep feature based on the cost-effective SDR platform. IEEE Access, 10, 110934–110946. https://doi.org/10.1109/access.2022.3215800

McTaggart, B., Maclellan, A., Atimati, E., Nyasulu, L. B. T., Crockett, L. H., Crawford, D., & Stewart, R. W. (2026). A Reconfigurable RFSoC-Based Spectrum Sensing Platform Using a Polyphase Channeliser and Distributed Publisher-Subscriber Framework. ICC 2026 - IEEE International Conference on Communications, 1—6. https://doi.org/10.1109/ICC59461.2026.11586939

Bae, Y., Lee, H., Park, H., Jang, W.-h., & Jang, B.-J. (2026). Edge CA-CFAR Data Reduction for Bandwidth-Efficient Real-Time Wideband Spectrum Sensing on Low-Cost SDRs. Sensors, 26(14), 4468. https://doi.org/10.3390/s26144468

Bhattacharya, A., Zhan, C., Maji, A., Gupta, H., Das, S. R., & Djuric, P. M. (2021). Selection of sensors for efficient transmitter localization. IEEE/ACM Transactions on Networking, 1–13. https://doi.org/10.1109/tnet.2021.3104000

Svanstrom, F., Englund, C., & Alonso-Fernandez, F. (2021). Real-Time Drone Detection and Tracking With Visible, Thermal and Acoustic Sensors. 2020 25th International Conference on Pattern Recognition (ICPR), 7265—7272. https://doi.org/10.1109/ICPR48806.2021.9413241

Acustek. (2026). SigDNA - universal RF TSCM & attribution platform | acustek. https://acustek.com/product/tscm/sigdna

Great Scott Gadgets. (2017). Release 2017.02.1 · greatscottgadgets/hackrf. GitHub. https://github.com/greatscottgadgets/hackrf/releases/tag/v2017.02.1

DigiScan-Labs. (2009). DigiScan (EX, version 2.4) [Computer software].

Sankhe, K., Belgiovine, M., Zhou, F., Angioloni, L., Restuccia, F., D'Oro, S., Melodia, T., Ioannidis, S., & Chowdhury, K. (2020). No radio left behind: Radio fingerprinting through deep learning of physical-layer hardware impairments. IEEE Transactions on Cognitive Communications and Networking, 6(1), 165–178. https://doi.org/10.1109/tccn.2019.2949308

Shen, G., Zhang, J., Marshall, A., & Cavallaro, J. R. (2022). Towards scalable and channel-robust radio frequency fingerprint identification for lora. IEEE Transactions on Information Forensics and Security, 17, 774–787. https://doi.org/10.1109/tifs.2022.3152404

Hanna, S., Karunaratne, S., & Cabric, D. (2020). Open set wireless transmitter authorization: Deep learning approaches and dataset considerations. IEEE Transactions on Cognitive Communications and Networking, 1. https://doi.org/10.1109/tccn.2020.3043332

Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., ... Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2

Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., Van Der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … Vázquez-Baeza, Y. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2

PyTorch: An imperative style, high-performance deep learning library. (2019). In Proceedings of the 33rd International Conference on Neural Information Processing Systems. Curran Associates Inc.