Please use this identifier to cite or link to this item: https://hdl.handle.net/11264/2683
Title: DEEP LEARNING FOR RF FINGERPRINTING From Statistical Enhancement to Scalable Architectures for Wireless Security
Authors: Quadar, Nordine
Royal Military College of Canada
Chehri, Abdellah
Keywords: RF fingerprinting
physical-layer security
deep learning
UAV security
IoT authentication
transformer architectures
cyclostationary analysis
temporal modeling
Issue Date: 17-Apr-2026
Abstract: RF fingerprinting offers a way to authenticate wireless devices based on their unique hardware characteristics at the physical layer, without relying on cryptographic credentials. However, after almost two decades of research, practical deployment remains limited. Our analysis of over 40 recent studies reveals a consistent pattern: systems that achieve above 95% accuracy in the laboratory suffer 20–70% accuracy drops under realistic conditions, scale poorly beyond 20–30 devices, and cannot detect unknown devices. In this thesis, we address these limitations through four complementary approaches. We first develop a statistical feature enhancement framework that combines magnitude, phase, power, entropy, and spectral features to reach 99.6% same-day accuracy while improving cross-day performance from 37.5% to 52.1%. We then introduce cyclostationary feature engineering that captures periodic statistical properties in communication signals, reaching 85.9% crosstransmission accuracy with 38% memory reduction through progressive learning. To handle mobility, we design a CNN-LSTM-Attention architecture that maintains 85.8% accuracy under 100Hz Doppler shift conditions typical of UAV operations. Finally, our MDAE-Transformer architecture shifts from classification to embedding-based identification, reaching 92.9% crossday accuracy and 75.2% at the 80-device scale with near-constant inference latency, while providing architectural support for open-set recognition through reconstruction-based anomaly detection. We evaluate all approaches across six datasets spanning WiFi, LoRa, UAV controllers, and Bluetooth protocols. Our comparative analysis shows that no single approach dominates all scenarios; method selection depends on operational requirements. Statistical enhancement suits controlled environments, cyclostationary features handle transmission parameter variations, temporal modeling addresses mobility, and the MDAE-Transformer supports large-scale deployment with better temporal adaptation. This work moves RF fingerprinting closer to operational deployment and provides foundations for physical-layer security in next-generation wireless networks, particularly for UAV communications and IoT security where cryptographic approaches alone prove insufficient.
L’identification par empreinte radiofréquence (RF) permet d’authentifier les dispositifs sans fil à partir de leurs caractéristiques matérielles uniques au niveau de la couche physique, sans dépendre des mécanismes cryptographiques. Cependant, après près de deux décennies de recherche, le déploiement pratique reste limité. Notre analyse de plus de 40 études récentes révèle un constat rècurrent : les systèmes qui atteignent plus de 95% de précision en laboratoire subissent des chutes de 20 à 70% en conditions réalistes, passent mal à l’´echelle au-delà de 20–30 dispositifs, et ne peuvent pas détecter les dispositifs inconnus. Dans cette thèse, nous abordons ces limitations à travers quatre approches complémentaires. Nous développons d’abord un cadre d’amélioration statistique qui combine des caractéristiques de magnitude, phase, puissance, entropie et spectre pour atteindre 99,6% de précision le même jour tout en améliorant les performances inter-journalières de 37,5% à 52,1%. Nous introduisons ensuite l’ingénierie de caractéristiques cyclostationnaires qui capture les propriétés statistiques périodiques des signaux de communication, atteignant 85,9% de précision inter-transmission avec une réduction de mémoire de 38% grâce à l’apprentissage progressif. Pour répondre aux défis de mobilité, nous concevons une architecture CNN-LSTM-Attention qui maintient 85,8% de précision dans des conditions de décalage Doppler de 100Hz typiques des opérations de drones. Enfin, notre architecture MDAE-Transformer passe de la classification à l’identification par représentations vectorielles, atteignant 92,9% de précision inter-journalière et 75,2% à l’échelle de 80 dispositifs avec une latence d’inférence quasi constante, tout en offrant un support architectural pour la reconnaissance en ensemble ouvert par détection d’anomalies basée sur la reconstruction. Nous évaluons toutes les approches sur six ensembles de données couvrant les protocoles WiFi, LoRa, contrôleurs de drones et Bluetooth. Notre analyse comparative montre qu’aucune approche unique ne domine tous les scénarios; le choix de la méthode dépend des exigences opérationnelles. L’amélioration statistique convient aux environnements contrôlés, les caractéristiques cyclostationnaires gèrent les variations de paramètres de transmission, la modélisation temporelle traite la mobilité, et le MDAE-Transformer supporte le déploiement à grande échelle avec une meilleure adaptation temporelle. Ce travail rapproche l’empreinte RF du déploiement opérationnel et pose les bases de la sécurité au niveau physique dans les réseaux sans fil de nouvelle génération, particulièrement pour les communications de drones et la sécurité IoT où les approches cryptographiques seules s’avèrent insuffisantes.
URI: https://hdl.handle.net/11264/2683
Appears in Collections:Theses

Files in This Item:
File Description SizeFormat 
Nordine_Quadar_PhD_thesis.pdfPhD Thesis18.9 MBAdobe PDFView/Open


Items in eSpace are protected by copyright, with all rights reserved, unless otherwise indicated.