基于自适应滤波算法的有线网卡指纹提取方法

胡园园 ,胡爱群 ,李 晟 ,刘佳琪 李 冰

1 东南大学网络空间安全学院 南京 中国 211189

2 东南大学信息科学与工程学院 南京 中国 211111

3 南京理工大学紫金学院计算机学院 南京 中国 210023

1 引言

对终端设备实施接入认证以杜绝非法接入是保障有线网络安全的重要措施。目前应用的接入认证方法主要有对终端设备的MAC 地址进行认证,以及基于数字证书的安全认证。但IP 地址和MAC 地址容易被篡改和伪造,因此基于MAC 地址的接入认证不足以保障有线网络的安全。而基于数字证书的接入认证虽然相对安全,但使用过程复杂且数字证书本身也存在被窃取、盗用的风险,这在大规模的网络应用中是不方便的。因此,有线网络需要更安全和方便的安全机制。

近些年的研究表明,通信用设备发射的信号具有物理指纹特征。该特征类似于人的指纹,称为设备指纹或设备DNA,是设备中的电子元器件因制造容差或漂移容差等物理因素导致的固有特性,无法改变和伪造。利用设备指纹对设备进行识别和认证具有难以克隆和伪造以及对上层协议透明等优点,目前已在无线网络认证中引起了高度关注,在无线WiFi、LTE 和Zigbee 等无线系统都有广泛研究[1-3]。例如,彭林宁等人[4]利用差分星座轨迹图(CTF)和来自CTF 的载波频偏、调制偏移与I/Q 偏移等多个设备指纹特征,很好地实现了对Zig-bee 设备的分类识别。

有线网络中,一张普通的网卡也含有大量的电子元器件,电子元器件也会因制造容差和漂移容差而造成不同的物理特征。此外,网卡工作环境(如温度、噪声、传输通道等因素)的变化也会导致其物理特征的变化[5]。文献[6]的研究表明,这些物理层特征在不同网卡中是唯一的,即使是同一厂家同一型号同一系列甚至是同一批次的通信设备也会存在微小差异。因此,受无线系统中设备指纹识别成功的启发,自2006 年起,有线领域也开始了基于设备指纹识别和认证的研究[7-8]。2011 年,Gerdes 首次证实了从以太网网卡信号中可以提取出有效的网卡指纹[9]。后来,陆续有专家研究有线网络设备指纹的提取和识别,但截至目前,国内外涉足有线网络设备指纹的提取与识别的研究仍然较少。

2 相关知识

2.1 设备指纹的提取

无线设备的指纹可从瞬态信号中提取,也可从稳态信号中提取。瞬态信号[10]是设备开/关瞬间产生的信号,不包含任何数据信息,只体现设备的硬件特征,具有“独立性”,射频指纹最初就是从瞬态信号中提取的[11]。但是瞬态信号持续时间短,难以捕获,而且需要采样率很高的接收机(比如高性能示波器),对突变点检测和定位较为敏感,需要高信噪比条件,这些弊端限制了基于瞬态信号的设备指纹的应用。而且,根据Gerdes 等人[12]的研究,瞬态响应在有线网络的传输过程中非常微弱,获得的数据不足以为有线网卡的区分提供充足的特征,且很难在帧头捕捉到瞬态信号。因此,瞬态信号不适用于有线设备的指纹提取。因而本文主要研究从稳态信号中提取网卡指纹的方法。

稳态信号是指瞬态信号之后,设备处于稳定工作状态时的信号。稳态信号持续时间长,更容易获得,利用廉价的接收机即可完成。目前针对有线设备指纹的提取也都基于稳态信号,主要的研究有:2012年,Gerdes[12]利用自适应滤波结合傅里叶变换提取出网卡指纹,对27个10M 以太网网卡的识别率达到94.0%;2015～2016年,Carbino 等人[13-14]利用基于星座独特本质属性(CB-DNA)的方法,将以太网卡无意的电缆辐射信号映射到二维星座空间从而提取出网卡指纹,对16个10M 以太网网卡的识别率达到93.1%;2017年,Ross[15]利用有线信号独特本地属性(WS-DNA)方法从电力线通信系统中的Hub 设备信号中提取指纹,对6个Hub 设备在信噪比SNR=46时识别率达到99.0%;2019年,国内的彭林宁等人[16]利用临近星座恍惚状态图(ACTF)提取出光纤以太网设备的指纹,对24个光纤以太网设备的识别率高达99.49%。

目前,针对有线网卡指纹提取的研究成果仅有上面这些。这些研究大都基于10M 有线网卡,而当前10M有线网卡已非主流,而是被更高的100M及以上速率的网卡所替代。另外,研究的样本量较低,网卡识别率也普遍不高。相对于一块10M 有线网卡发出的前导码信号固定不变,为了避免出现连续长度的重复数据,保证输出均匀功率的数据信号,100M有线网卡在发送数据时会对数据进行加扰[17-18],这样一块100M 有线网卡发出的前导码信号会随机变动,因此,不能使用前导码信号提取特征。另外,100M 有线网卡不再如10M 有线网卡那样采用曼彻斯特编码(用跳变沿表示二进制0 或1,从高电平到低电平跳变表示0,反之表示1),而是先进行4B/5B 编码再进行三电平的MLT-3 编码[19-21](信号分正电平、负电平、零电平三种电位状态,用电平不变表示二进制0,用电平跳变表示二进制1),这样二进制0 的波形没有变化,二进制1 的波形变化不固定,基于波形星座图的特征提取方法不适用。因此,本文针对50块100M 速率的以太网网卡展开研究,提出一种基于最小均方误差(Least Mean Square)自适应滤波算法(以下简称LMS 算法)的指纹提取方法,该方法能够直接从100M 以太网网卡的稳态信号中提取出网卡指纹,无需信号的任何先验知识,简单方便,且提取的网卡指纹产生自网卡本身的物理特性,不可克隆,无法被篡改。

2.2 LMS 自适应滤波算法

LMS 算法[22]是一种自适应滤波算法,自适应滤波算法的核心思想就是调整滤波器自身参数,使滤波器的输出信号与期望输出信号之间满足某种最佳准则要求。不同的准则可以产生不同的自适应滤波算法,如基于最小均方误差、递推最小二乘(RLS)、变换域、子带分解以及QR 分解等自适应滤波算法。其中,由Widow 和Hoff 提出的最小均方误差算法(以下简称LMS 算法),具有计算量小、易于实现、稳定性好等优点而在实践中被广泛采用。

LMS 算法的准则是使均方误差达到最小,即期望响应与滤波器实际输出之差的平方的期望值达到最小,并且依据这个准则来修改权重系数向量。如图1 所示为LMS 算法原理图。

现要求期望响应与滤波器实际输出之间满足LMS 准则,即求min [E(e2n,使期望响应与滤波器实际输出之差的平方的期望值Ee2n达到最小。

根据最速下降理论,沿着目标函数最速下降方向(即负梯度方向)调整滤波器权重系数,会找到目标函数的最小值,因而对min [E(e2n求导并使导数为0,得到:

按照公式(3) (µ为收敛因子)来迭代修改自适应滤波器的权重系数W,期望响应与滤波器实际输出之差会越来越小,滤波器实际输出会无限逼近期望响应。给定收敛因子µ,滤波器的权重系数最终会收敛到一个固定值,此时滤波器实际输出与期望响应之间的误差最小。

LMS 算法可不需要任何关于目标信号的先验知识而可直接从目标信号中提取出其特征指纹。鉴于目前国内外对有线以太网网卡指纹的研究成果较少,对于有线以太网网卡的信号特征缺少先验知识,因此本文提出基于LMS 算法提取有线以太网网卡指纹。

3 网卡信号采集

3.1 采集分析

本文研究从有线以太网网卡的稳态信号中提取网卡的物理特征。如引言所述,网卡的工作环境如温度、噪声、传输通道(包括传输介质、介质长度)等因素也会引起物理特征的变化,这些因素为网卡信号增加了随机和非平稳成分,必须尽可能地将其差异最小化以获得一致的测量结果。为此,本文尽可能地在同一环境下采集网卡信号,这样,信号的传输通道相同,采集信号时的温度、噪声变化不大,网卡的物理特征因此而产生的差异可忽略不计。

有线以太网网卡一般作为用户PC的网络接口卡与交换机互联,其网络环境是遵守IEEE 802.3 标准的以太网[23]。以太网使用的传输介质主要包括同轴电缆、双绞线、光纤。根据不同的传输速率和距离要求,基于这三类介质的信号线又衍生出很多不同的种类。目前最主流的传输介质是100BASE-T 和1000BASE-T 的5 类双绞线,它们的传输速率分别为100Mbps 和1000Mbps。考虑1000BASE-T 双绞线即使工作在半双工模式下,在空闲时交换机也会给网卡传输数据,这会干扰网卡发出的信号,因此本文采集基于100BASE-TX 标准传输(采用5 类双绞线、100Mbps 传输速率)的网卡信号。

IEEE 802.3 标准规定以太网中传输的数据包格式如图 2 所示,该数据包格式被称为以太网MAC 帧。

在传输每个以太网MAC 帧时,网卡会先发一段前导码,内容为连续7 个字节的0x55,用于使收发双方的时钟同步;然后发一个字节的帧开始定界符,内容为0xD5,用于指示以太网MAC 帧的开始。随后的以太网MAC 帧的每个字段会随传输数据和网卡的不同而变化。如2.1 节所述,100M 有线网卡在发送数据时会对数据进行加扰[33],导致发出的前导码信号会随机变动,不能使用100M 有线网卡的前导码信号提取特征。因此,本文采集包含前导码在内的若干个完整的以太网MAC 帧信号,从长信号段中提取指纹特征以降低扰码对信号波形的影响。同时,为了尽量减少数据对网卡信号的影响,本文采集网卡空闲时的信号,也就是不传输用户数据时的信号。

3.2 采集实施

在有线网卡发送数据信息时,传输介质上便会产生相应的模拟电平信号,这些信号按照IEEE 802.3标准约定的数据传输协议与数据编码协议生成,需要在保留其物理层特征的前提下进行采集,作为提取网卡指纹的原料。为此,本文采用过采样方式在网卡和交换机之间的线路上采集以太网网卡的完整的两路差分信号。采集网卡信号的组网如图3 所示,待采集的网卡通过100Mbps 速率的双绞线连接交换机,AD9484 信号采集板串联在网卡与交换机之间,使用625Mbps 的采样率、8bit/样点的采样精度来采集网卡与交换机间的闲时信号(即不传输用户数据情况下的信号),采集的信号经过USB 接口存储到电脑中。

本次实验实际采集到的网卡信号如图4 所示。而100BASE-TX 标准传输的网卡信号按MLT-3 编码方式编码[32],其标准信号波形如图5 所示。

对比图4 和图5 可以发现,实际的网卡信号波形与标准的MLT-3 编码波形相比,并没有那么完美,存在着许多抖动与毛刺,而这其中正包含着网卡的物理特征。从采集到的网卡信号中将这些特征提取并数据化,就可以作为发送设备的身份认证信息。在本文中,将提取的这些特征信息统一称为“网卡指纹”。

4 网卡指纹提取系统

本文利用LMS 算法提取有线网卡指纹,如图6所示为提取指纹的整个过程:首先将采集的网卡信号进行预处理,以消除影响指纹提取的因素;再通过判决整形和符号同步获得与接收信号同步的本地时钟信号,用此同步时钟对判决整形后的信号重新采样,即可获得与接收信号同步的理想信号。将理想信号作为LMS 自适应滤波器的滤波输入,预处理后的接收信号作为LMS 自适应滤波器的期望响应,使得理想信号在滤波后以最小均方误差逼近接收信号。自适应滤波器收敛后,采用滤波器的权重系数作为网卡指纹。

用上述方法提取同一网卡多个采集信号的指纹信息,取这些指纹信息的平均值,即可获得较为稳定的网卡指纹。

4.1 预处理

预处理主要目的是消除环境因素对采集信号的影响,以方便特征提取。一般包括直流分量、功率归一化等。但本文采集的网卡信号采用曼彻斯特编码,该编码下每位编码中信号都会跳变一次,因此不存在直流分量,具有良好的抗干扰性能,因而无需去除直流分量。但网卡和交换机之间距离的变化会导致接收功率的变化,因此需要通过功率归一化来消除接收功率等与采集环境相关的差异。功率归一化方法比较简单。就是首先计算采集信号的各电平幅度的平均值,然后将各电平除以该平均幅度即可将功率归一化。

为了有效地抑制具体数据对于指纹提取的影响,信号进行功率归一化处理后,还需将两路差分信号相减,使用相减后的信号作为指纹提取的接收信号。

4.2 判决整形和符号同步

如图6 所示,在利用LMS 算法提取网卡指纹系统中,LMS 自适应滤波器需要一个理想信号作为滤波输入,该理想信号须与接收信号同步,否则两个信号段的起始位置在一个周期内可能是不同的,这样会弱化提取特征的有效性。本文设计先通过“判决整形”和“符号同步”获得与接收信号同步的本地时钟信号,再使用该本地时钟信号重新采样判决整形后的信号,即可获得与接收信号同步的理想信号。

4.2.1 判决整形

判决整形的目的是将接收信号的波形整形为与理想的差分曼彻斯特编码波形相似的方波,本文将判决门限设定为接收信号各个电平的平均幅度值的1/2。如图7 所示为接收信号判决整形后的波形与接收信号波形对比图。

4.2.2 符号同步

符号同步的目的是获得与接收信号同步的本地时钟信号。为此,本文通过提取判决整形后的信号的上升沿和下降沿生成脉冲序列,并在本地生成一个与信号数据速率相同的本地时钟信号,然后通过循环移位并计算脉冲序列与本地时钟信号的异或的和,异或和最小的本地时钟信号即为与接收信号同步的本地时钟信号。

如图8 所示为获取的理想信号波形与接收信号波形的对比图。从图中可以看到,理想信号与接收信号的时钟是同步的。

4.3 利用LMS 算法提取网卡指纹

如图6 所示,将上面获得的理想信号作为LMS自适应滤波器的输入信号,将预处理后的接收信号经过延时后作为期望响应,分别送入LMS 自适应滤波器,使得理想信号在滤波后以最小均方误差逼近接收信号。

假设接收信号包含M个数据,接收信号为zmn,m=0,1,…,M–1,经判决整形和重采样后获得的理想信号为xmn,m=0,1,…,M–1,则理想信号经LMS 自适应滤波器滤波后产生的输出ymn为:

ymn与接收信号zmn间的误差为en,即:

LMS 自适应滤波器收敛后,其输出信号与接收信号的最小均方误差达到最小,此时认为理想信号在滤波后与接收信号基本相同,而自适应滤波器的权重系数wi∊w0,w1,…,wL-1(其中L为滤波器阶数)则认为是接收信号与理想信号之间的差异特征,该差异特征是不同网卡的硬件特性对网卡信号的影响而产生的,具有唯一性,可作为网卡指纹。

通过上述方法对K个包含M个数据的接收信号进行指纹提取,取K组自适应滤波器的权重系数的平均值作为网卡指纹输出,即可获得较为稳定的网卡指纹,计算公式如下所述。

5 实验结果

5.1 数据集

本文实验用到的数据集来自6 个品牌共50 块有线网卡,每块网卡不同类型。设备品牌和索引分别为锐捷(索引1～9)、绿联(索引10～29)、小米(30～34)、山泽(35～42)、TP-LINK(43～46)和CE-LINK(47～50)。对50 块网卡信号进行过采样(采样率为625MHz、采样精度为8 比特/样点),每块采样1 次共得到100 个波形段(每次差分采样产生2 个波形段,使用时合成1个波形段),每个波形段捕获625 万个样本点。再将每个波形段的625 万个样本按照设定的数据长度划分成若干个信号片段(假设数据长度10000,则每个波形段划分为600 个信号段),形成数据集1,其中1/3的信号段用作训练集,2/3 的信号段用作验证集。

5.2 滤波参数确定

LMS 算法的主要参数有数据长度L、滤波器阶数N、收敛因子µ、迭代次数K(N

为了确定数据长度L、滤波器阶数N、收敛因子µ三个参数相对较优的参数设置,本文通过先变化一个参数、固定其他参数,然后依据收敛性、收敛速度、稳态误差和计算复杂度等主要性能指标来确定相对较优的参数设置,采用数据集1 进行参数确定实验。

5.2.1 数据长度确定

选取滤波器阶数N=261、收敛因子µ=0.0001、迭代次数K=L,然后观察滤波器系数在达到最优值前的理想信号与实际信号之间的误差变化曲线,该曲线反映了滤波器权重系数的收敛性。实验中,取初始数据长度L=100、500、2000、4000、8000、16000、50000、100000 和200000,分别用这些数据长度提取网卡指纹,并记录滤波器收敛过程中的误差值,误差值随数据长度L变化如图9 所示。

从图9 可以看到,理想信号与实际信号之间的误差的震荡幅度随着数据长度的增加而增大。数据长度L低于100 时误差曲线不收敛;超过16000 后,误差曲线呈现震荡收敛;超过50000 后,误差曲线不再单向收敛。因此,滤波器权重系数在数据长度100

5.2.2 滤波器阶数确定

选取L=10000、µ=0.0001、K=10000,分别按照滤波器阶数N=[5,25,45,65,85,…,985,1005]提取网卡指纹,然后计算使用每一个滤波器阶数提取指纹时到达平稳状态后的误差(即稳态误差)的幅度平均值,观察该平均值随滤波器阶数N的变化,如图10 所示。

从图10 可以看出,在滤波器阶数为5～165 范围内时,稳态误差幅度的平均值随着滤波器阶数的增加而减小,在滤波器阶数高于165 时,滤波器阶数的增加对稳态误差幅度的平均值影响不大,阶数高于285 时,稳态误差幅度的平均值基本不再变化。

考虑滤波器阶数越大,计算复杂度越高,因此,滤波器阶数推荐设置在[165,285]之间。

5.2.3 收敛因子确定

1996 年,Hayjin 证明,只要收敛因子满足下式,LMS 算法就是按方差收敛的。

其中,λm是输入向量xmn(即接收信号)组成的自相关矩阵R的最大特征值。由于λm常常不可知,因此,往往使用自相关矩阵R的迹来代替。按定义,矩阵的迹是矩阵主对角线元素之和:

同时,矩阵的迹又等于矩阵所有特征值之和,因此一般有tr(R)>λm。只要取:

即可满足收敛条件。按定义,自相关矩阵的主对角元素就是各输入向量的均方值。因此公式又可写为:

按此公式计算,收敛因子的取值范围大概为0<µ<0.2。

本次实验中,分别选取µ=0.1,µ=0.01,µ=0.001,µ=0.0001,µ=0.00001,并设置数据长度L=10000,滤波器阶数N=245,迭代次数K=10000 来提取网卡指纹,到达平稳状态后,理想信号与实际接收信号的误差随收敛因子µ的变化如图11 所示。

从图11 可以看出,当µ>0.01 时误差不收敛,因此滤波器权重系数也不具备收敛性。当0<µ<0.001时,误差收敛,因而自适应滤波器收敛,但是,随着收敛因子减小,误差收敛速度变慢,误差震荡幅度变大。因此,综合收敛速度和收敛性,收敛因子推荐选取在[0.00001,0.001]之间。

5.3 提取网卡指纹

设置数据长度L=10000、收敛因子µ=0.0001、滤波器阶数N=261,迭代次数K=L,使用数据集1 提取指纹,然后分别选取不同品牌网卡的指纹、同一品牌不同网卡的指纹进行对比分析,结果分别如图12 所示。

从图中可以看出,无论同品牌,还是不同品牌,均能从有线网卡信号中提取出唯一且相对稳定的特征指纹,但不同网卡之间的指纹差异性比较微弱,区分性小,尤其是同一品牌不同类型网卡之间的指纹差异性非常微弱。这给指纹的提取和分类识别带来困难。

5.4 指纹有效性验证

为了验证提取的网卡指纹的有效性,本文使用Matlab 自带的分类器对数据集1 和数据集2 提取出的网卡指纹分别进行了分类识别。

5.4.1 分类算法选取

Matlab 自带有多种分类器,包括决策树、判别分析、支持向量机SVM、最近邻分类器、朴素贝叶斯分类器、集成分类器,每一种分类器又包含多种算法。为了确定选取哪些分类算法较优,本文先使用Matlab 自带的所有分类器对训练样本进行分类训练,交叉验证折数分别设置为5 折、10 折和15 折,然后获取训练结束后的分类准确率,选取准确率较高的分类算法。通过实验,当交叉验证折数为10 折时,分类准确率普遍较高,较高的3 个分类算法分别为线性判别、线性SVM 和集成子空间判别。因此,后续使用线性判别和集成子空间判别这3 种算法对网卡进行分类识别,且交叉验证折数设置为10 折。

5.4.2 使用网卡指纹分类识别

将数据集中的每个波形段划分为600 个信号片段,其中前200 个信号段用于训练,后400 个信号段用于验证。提取每个信号片段的特征指纹,并取20个信号片段的特征指纹的平均值作为该波形段对应网卡的网卡指纹,用每个波形段前200 个信号段提取出的10 个网卡指纹进行分类器训练,后400 个信号段提取出的20 个网卡指纹进行分类识别验证。

设置μ=0.0001,N=261,L=2000、5000、10000、15000、20000,并设置迭代次数K=L,交叉验证折数设置为10 折,网卡识别率如表1 所示。

表1 网卡识别率随数据长度变化(µ=0.0001,N=261)Table 1 Change of Ethernet card recognition rate with data length(µ=0.0001,N=261)

设置N=261,L=5000,µ=0.00001、0.00005、0.0001、0.0005、0.001,并设置迭代次数K=L,交叉验证折数设置为10 折,网卡识别率统计如表2 所示。

表2 网卡识别率随收敛因子变化(N=261,L=5000)Table 2 Change of Ethernet card recognition rate with convergence factor (N=261,L=5000)

设置µ=0.0001,L=5000,N=21、81、165、261、501、1001,并设置迭代次数K=L,交叉验证折数设置为10 折,网卡识别率统计如表3 所示。

表3 网卡识别率随滤波器阶数变化(µ=0.0001,L=5000)Table 3 Change of Ethernet card recognition rate with filter order (µ=0.0001,L=5000)

从表1 可以看出,在收敛因子和滤波器阶数固定情况下,网卡识别率随数据长度先增加后减少,在L=[1000,5000]时识别率较高;从表2 可以看出,在数据长度和滤波器阶数固定情况下,收敛因子越小,网卡识别率越大,但同时收敛因子越小,收敛时间越长;从表3 可以看出,在数据长度和收敛因子固定情况下,网卡识别率在滤波器阶数处于81～261 之间时较高。同时从表1、表2 和表3 也可看出,使用线性判别和集成子空间判别两种分类算法时,本文方法提取指纹的网卡识别率较高,前者可在97.1%以上,后者可在97.3%以上。

如图13 所示为线性识别和集成子空间判别两种分类算法在识别率为0.973 和0.985 时的混淆矩阵,其中横坐标为识别出的网卡索引,纵坐标为实际网卡索引。

从图13 中可以看出,使用线性判别分类算法时,错误识别的网卡索引对主要包括:12->15(即网卡12错误识别为网卡15)、10->17、13->20、21->23/25、22->21、27->20、28->13、29->10、40->44;使用集成子空间判别分类算法时,错误识别的网卡索引对主要包括:12->15、13->20、16->18、17->16/29、20->13、21->22、22->21、26->27、29->10。

根据前文所述,索引10～29 对应绿联网卡,索引40 对应山泽网卡,索引44 对应TP-LINK 网卡,因此使用本文方法提取的网卡指纹识别网卡时,错误主要发生在同品牌的绿联网卡中;不同品牌的指纹识别只将索引为40 的山泽网卡错误识别为索引为44的TP-LINK 网卡,识别效果比同品牌不同类型网卡好。其根本原因如5.3 章节所述,不同品牌网卡的指纹之间的差异较大些,而同一品牌不同类型网卡的指纹差异较小。

6 总结

本文提出了一种基于LMS 自适应滤波算法的有线网卡指纹提取方法,该方法不需要有线网卡信号特征的先验知识,可直接从100M 以太网网卡信号中提取出网卡指纹。通过实验证明,有线网卡确实存在特征指纹,但不同网卡指纹区分性小,当数据长度选取在1000～5000 范围内、滤波器阶数选取在81～261范围内、收敛因子选择在0.00001～0.0001 之间时,使用本文方法可有效提取出有线网卡指纹,且可获得较好的识别效果(考虑收敛性、收敛速度、计算复杂度和稳定误差等因素)。

然后本文使用Matlab 自带的分类器对提取的有线网卡指纹进行训练,利用训练的模型对网卡进行分类识别。十折交叉验证结果表明,使用线性判别和集成子空间判别分类算法时,网卡识别率可分别达到97.2%、98.5%以上,错误的指纹识别主要发生在同品牌网卡中,不同品牌的网卡指纹识别效果较好。

利用本文方法提取网卡指纹,简单方便,且提取的网卡指纹产生自网卡本身的物理特性,不可克隆,无法被篡改,利用这样的指纹再结合合适的分类学习算法就可以对以太网网卡进行有效识别,进而可方便且可靠地实现对有线网终端设备的接入认证。在大规模控制和自动化通信领域(如电网)、光纤通信领域,以及金融、保险、公安等有线专网领域,目前迫切需要轻量级且安全可靠的接入认证方法,本文提出的方法可以预见地具有广阔的应用前景。