CN103220055A - 无线发射机信号的多重分形梯度特征指纹识别方法 - Google Patents

Abstract

无线发射机信号的多重分形梯度特征指纹识别方法，涉及无线发射机指纹识别。对采集的无线发射机暂态信号数据进行归一化，以消除噪声等干扰带来幅度的差异；采用基于统计学的暂态起点检测算法，通过计算相位方差统计量差值的最大值位置准确地获取无线发射机缓慢上升的暂态信号的起点位置；通过计算无线发射机暂态信号的短时傅里叶能量谱，并从谱图能量最高点对应的瞬时频率作切片处理，即可获得暂态信号光滑的能量切片包络曲线；提取暂态信号特征参数；联合多重分形双对数曲线梯度特征向量和多项式拟合系数特征向量作为无线发射机的个体识别指纹特征，利用识别器对无线发射机信号进行识别。

Description

无线发射机信号的多重分形梯度特征指纹识别方法

技术领域

本发明涉及无线发射机指纹识别，尤其是涉及一种无线发射机信号的多重分形梯度特征指纹识别方法。

背景技术

在无线通信信号中，反映每台无线设备个体特点的指纹特征是表现在多方面的。常见指纹特征如信号载频偏差、调制参数、杂散输出、暂态特征等。这些指纹特征能较好地满足可检测性、稳定性和唯一性的特点，但随着微电子生产工艺不断地发展，元器件之间的差异性也越来越小，发射机个体特征提取和识别的难度也越来越高，尤其是同型号同一批次的无线发射机的指纹特征非常不明显，需要更深入的研究和探讨其可识别性。

国外Northrop Grumman公司与美国海军合作对SEI(Specific Emitter Identification)即“特定辐射源识别”技术持续研究了长达40年之久，主导和参与开发了一系列的军用和民用SEI系统。并将SEI技术进行延伸和扩展，所侦察的对象包括雷达信号、通信信号、非雷达和非通信信号，及非有意辐射的信号。SEI的军用和民用价值不断地得到重视和挖掘，但是出于保密的原因国外公开的SEI的技术资料少之又少。

国内科研院所和院校也对辐射源个体识别技术进行研究，其中包括雷达信号的指纹分析、通信电台的个体识别、敌我识别系统等，均取得了较好的识别效果。但总体上仍处于起步阶段，一些结果仍处于仿真阶段，还有一部分实测数据缺乏大数据的验证，同时在指纹产生机理、个体特征选取和识别器优化设计等问题上仍存在很多尚未解决的问题，尤其是宽带调制无线发射机个体识别技术具有很大的研究空间。

现代无线通信信号大多以帧的形式发送，信号表现为突发的方式，因此在每帧信号的起始端可以获得发射机的暂态信号。该信号为各个元器件产生的冲激响应，含有丰富的特征信息，可从暂态信号中提取无线发射机特征信息用于无线发射机个体识别。

中国专利CN102693411公开了一种基于射频指纹的无线发射机的识别方法，包括：接收无线发射机发射的无线信号，无线信号是无线发射机在功率渐升的同时发射的前导序列；检测无线信号的参考时刻；根据检测到的参考时刻对无线信号进行前导信号的截取；把截取后的前导信号变换为射频指纹；对变换后的射频指纹进行特征提取，进行无线发射机的识别。中国专利CN102694559揭示了一种基于前导的Wi-Fi发射机的射频指纹的检测方法，用于Wi-Fi发射机的射频指纹识别。中国专利CN102547560则提出一种在包括多个发射机的单频网络中由终端识别发射机的方法。

针对非合作通信条件下的调制方式识别问题，安金坤、田斌等在其发表于华南理工大学学报上题为“OFDM信号的多重分形谱特征盲识别算法”文献中提出了一种正交频分复用(OFDM)信号的多重分形谱特征盲识别算法。该算法首先提取通信信号多重分形谱最大值对应的奇异性指数以及通信解析信号平方处理后经两次傅里叶变换的幅频信号的多重分形谱跨度作为信号特征参数，然后通过多层决策树分类器完成对OFDM信号和单载波信号的识别．

发明内容

本发明的目的是提供一种无线发射机信号的多重分形梯度特征指纹识别方法，以达到实现对无线发射机进行准确的识别。

本发明包括以下步骤：

1）数据进行归一化：对采集的无线发射机暂态信号数据进行归一化，以消除噪声等干扰带来幅度的差异；

2）检测暂态信号起点：采用基于统计学的暂态起点检测算法，通过计算相位方差统计量差值的最大值位置准确地获取无线发射机缓慢上升的暂态信号的起点位置；

3）提取暂态信号包络：通过计算无线发射机暂态信号的短时傅里叶能量谱，并从谱图能量最高点对应的瞬时频率作切片处理，即可获得暂态信号光滑的能量切片包络曲线；

4）提取暂态信号特征参数：将能量切片包络曲线看作射频滤波器的冲激响应，用多项式曲线拟合的方法拟合能量切片包络曲线，得到多项式拟合系数；同时从能量切片包络曲线中提取多重分形双对数曲线梯度，选择梯度差异较大的区间作为梯度特征指纹，构建多项式拟合系数和多重分形双对数曲线梯度特征的联合指纹特征向量；

5）分类识别：联合多重分形双对数曲线梯度特征向量和多项式拟合系数特征向量作为无线发射机的个体识别指纹特征，利用识别器对无线发射机信号进行识别。

在步骤1）中，所述暂态信号数据进行归一化的目的在于，由于采集的无线发射机暂态信号数据受噪声等干扰，存在不同幅度的差异，因此对暂态信号数据进行归一化以消除噪声等干扰带来的幅度差异。

在步骤2）中，所述检测暂态信号起点，是无线发射机识别的关键步骤，可采用基于统计学的暂态起点检测算法，所述基于统计学的暂态起点检测算法是利用均值变点检测分析法；所述均值变点检测分析法是统计学中常用的检测方法，无需门限值的判断，也无需非参数估计的假设检验，只需通过计算相位方差统计量差值的最大值位置即可判断暂态的起点位置。

在步骤3）中，所述提取暂态信号包络，可通过计算无线发射机暂态信号的短时傅里叶能量谱，并从谱图能量最高点对应的瞬时频率作切片处理，即可获得暂态信号光滑的能量切片包络曲线，且能最大程度地保留发射机个体的特征。

在步骤4）中，所述提取暂态信号特征参数的目的是，由于经过起点检测和包络提取后的暂态信号仍然具有很大的数据量，因此需要对暂态信号包络进一步提取特征参数，用多项式曲线拟合的方法拟合能量切片包络曲线，得到多项式拟合系数；同时从能量切片包络曲线中提取多重分形双对数曲线梯度，选择梯度差异较大的区间作为梯度特征指纹，构建多项式拟合系数和多重分形双对数曲线梯度特征的联合指纹特征向量。

在步骤5）中，所述识别器可采用BP神经网络识别器等；所述利用识别器对无线发射机信号进行识别是将提取出来的多重分形双对数曲线梯度特征向量和多项式拟合系数联合作为无线发射机的个体识别指纹特征，输入识别器，即可实现无线发射器信号的识别。

与现有的方法相比，本发明将多重分形双对数曲线的梯度值作为暂态特征指纹之一，构建多项式拟合系数和多重分形梯度特征的联合指纹特征向量作为无线发射机指纹特征。通过本发明所提出的无线发射机暂态信号的多重分形梯度特征向量，利用BP神经网络识别器对无线发射机信号进行识别。实测数据的识别结果表明，单独采用多项式拟合系数指纹特征进行识别，不同生产厂家无线网卡的平均识别达到91.67%，但是同一生产厂家同一型号的无线网卡平均识别率只有78.4%，而由多重分形特征与拟合系数特征向量组成新的联合特征向量作为暂态指纹，不同生产厂家无线网卡的平均识别率高达97.17%，而且同一生产厂家同一型号的无线网卡平均识别率也大大提高到88%。

附图说明

图1为无线发射机信号的时域波形。

图2为无线发射机暂态信号的起点。

图3为相位方差差值变化轨迹。

图4为无线发射机暂态信号的能量包络图。

图5为不同维数双对数曲线图。

图6为双对数曲线梯度图。

图7为不同厂家无线发射机双对数曲线梯度图（q=2）。在图7中，各标记为：*为MW54U,○为Tplink,◇为W323G,□为W541U,☆为G200U,×为NW330。

图8为几种指纹特征识别结果对比图。在图8中，标记a为小波高阶统计量，b为多项式拟合系数，c为联合多重分形特征。

具体实施方式

本发明提出的无线发射机信号的多重分形梯度特征指纹识别方法主要有以下5个步骤：

1.对无线发射机暂态信号进行归一化，对采集无线发射机暂态信号数据进行归一化，以消除噪声等干扰带来幅度的差异。

2.检测暂态信号的起点，采用基于统计学的暂态起点检测算法，通过计算相位方差统计量差值的最大值位置准确地获取无线发射机缓慢上升的暂态信号的起点位置。

基于统计学的暂态起点检测算法采用均值变点检测分析法。均值变点检测分析法是统计学中常用的检测方法，无需门限值的判断，也无需非参数估计的假设检验，只需通过计算相位方差统计量差值的最大值位置即可判断暂态的起点位置。

设样本序列为x₁,x₂,…,x_N，均值变点检测分析法的计算过程如下，

1）令i＝2,3,…N，对应每个i将样本分为两段x₁,x₂,…,x_i-1和x_i,x_i+1,…,x_N，计算每段样本的均值

和统计量S_i，

$S_i=\underset{t=1}{\overset{i-1}{\mathrm{\Σ}}}{(x_t-\stackrel{\‾}{X_{i1}})}^2+\underset{t=i}{\overset{N}{\mathrm{\Σ}}}{(x_t-\stackrel{\‾}{X_{i2}})}^2$

2）计算原始样本序列的均值

和统计量S，

$S=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{(x_t-\stackrel{\‾}{X})}^2$

3）绘制S-S_i的曲线，曲线的最大值点位置即为变点位置。

均值变点检测分析法的思想在于变点的存在使得分段后的样本统计量与原始样本统计量的差值变大，最大差值处即为变点所在，也就是暂态起点的位置。

图2即为采用基于统计学的暂态起点检测算法得到的无线发射机暂态信号的起点位置，图1和3分别为对应无线发射机信号的时域波形和相位方差差值变化轨迹。

3.提取暂态信号包络，无线发射机的暂态信号是已调制信号，其包络的变化体现了不同发射机的特征，可以从暂态响应的包络来提取特征信息。通过计算无线发射机暂态信号的短时傅里叶能量谱，并从谱图能量最高点对应的瞬时频率作切片处理，即可获得暂态信号光滑的能量切片包络曲线。

谱图时频分析方法不仅能得到光滑的能量切片包络曲线，而且能最大程度地保留了发射机个体的特征。

谱图是短时傅里叶变换的二次型时频表示，即对短时傅里叶谱进一步求取平方。短时傅里叶变换（STFT）的基本思想是假定非平稳信号为分段平稳，信号在傅里叶变换前乘以一个窗函数，通过滑动窗截取信号，从而得到一组局部的频谱，获得信号的时频特性。

为提取光滑的能量包络，从谱图能量最高点对应的瞬时频率作切片处理，可以获得时间能量切片包络曲线，如图4所示。

4.提取暂态信号特征参数，对暂态信号包络进一步提取特征参数。将能量切片包络曲线看作射频滤波器的冲激响应，用多项式曲线拟合的方法拟合能量切片包络曲线，得到多项式拟合系数特征向量；同时从能量切片包络曲线中提取多重分形双对数曲线梯度，选择梯度差异较大的区间作为梯度特征指纹，构建多项式拟合系数和多重分形双对数曲线梯度特征的联合指纹特征向量。

提取多重分形双对数曲线梯度特征参数的具体步骤如下：

暂态信号的多重分形分析可看作是对一个时间序列信号的分析，由时间序列进行相空间重构，再通过q阶关联积分C_q(r)来计算广义分形维数D_q。

设{x_k,k＝1,2,...,N}为暂态信号的采集数据，将其嵌入到m维欧式空间R^m中,得到一个点（或向量集）J(m)，其元素记作

X(m,τ)＝{x_n,x_n+1,...,x_n+(m-1)τ},n＝1,2,…,N_m

其中n的最大取值N_m＝N-(m-1)τ，τ是延迟时间，m为欧式空间R^m的维数，相空间重构时，延时时间τ和嵌入维数m的选取通常采用C-C算法确定。

从N_m个点中任意选定一个参考点X_i，计算其余N_m-1个点到X_i的距离r_ij。

$r_{\mathrm{ij}}=d(X_i,X_j)={\left[\underset{l=0}{\overset{m-1}{\mathrm{\Σ}}}{(X_{i+\mathrm{l\τ}}-X_{j+\mathrm{l\τ}})}^2\right]}^{\frac{1}{2}}$

对所有X_i,i＝1,2,...,N_m重复这一过程，定义q阶关联积分C_q(r)为，

$C_q\left(r\right)={\left[\frac{1}{N_m}\underset{j=1}{\overset{N_m}{\mathrm{\Σ}}}{\left[\frac{1}{N_m}\underset{i=1}{\overset{N_m}{\mathrm{\Σ}}}H(r-r_{\mathrm{ij}})\right]}^{q-1}\right]}^{\frac{1}{q-1}}$

其中，r是各点间距离r_ij的集合，H是Heaviside函数 $H\left(x\right)=\left\{\begin{array}{cc}1& x\&GreaterEqual;0\\ 0& x<0\end{array}\right..$

其广义维数D_q可以通过q阶关联积分计算得到

$D_q=\underset{\mathrm{\&tau;}\&RightArrow;0}{\lim }\frac{1n{C}_q\left(r\right)}{1\mathrm{nr}}$

定义多重分形双对数曲线梯度Slope为：

Slope＝[lnCr(i)-lnCr(i-1)]/[lnr(i)-lnr(i-1)]i＝1,2,...,N_m*(N_m-1)

其中，lnCr为关联积分的对数，lnr为各点间距离的对数，lnCr,lnr分别为广义维数双对数曲线横轴和纵轴，则当Slope(i)-Slope(i-1)≈0时，可看作是双对数曲线的直线区间，即无标度区间。

计算并绘制出相应的双对数曲线，用最小二乘法拟合该段曲线的斜率，其绝对值即为广义维数D_q。

图5所示即为根据上述方法求得的lnr-lnC双对数曲线，由图5可知，大尺度时曲线几乎平行于尺度轴；中间尺度时双对数曲线为一斜直线；小尺度时，由于数据量有限导致曲线不规则变化。中间尺度即为系统性质的特征段，也称为无标度区间，拟合得到部分直线斜率即是所求的分形维数。图6为对应的双对数曲线梯度图，其反应了斜率的变化趋势。

由梯度定义公式可知，梯度曲线描述的是分形维数双对数曲线的变化，故提取梯度差异较大的区间作为识别暂态信号的指纹特征，即梯度特征指纹。

图7为不同厂家无线发射机双对数曲线梯度特征图（q=2），由图7可见，不同厂家网卡其曲线存在较大差异。

5.分类识别，联合多重分形双对数曲线梯度特征向量和多项式拟合系数特征向量作为无线发射机的个体识别指纹特征，输入BP神经网络识别器，即可实现无线发射机信号的分类识别。

本发明对比采用小波高阶统计量特征、二次多项式拟合系数特征以及多重分形梯度特征三种特征向量作为无线网卡暂态信号指纹特征值的识别结果发现，对于同一厂家同一批次生产出来的无线发射机的分类识别，采用小波特征其平均识别率仅有53.4%，由于小波特征是各类信号最常用的特征提取和识别方法，但是对于无线发射机此类高集成度高规模化生产的产品，因此采用传统的特征提取方式，其差异性微乎其微。提取多项式拟合系数值的特征识别结果中，单独采用多项式拟合系数指纹特征进行识别，不同生产厂家无线网卡的平均识别达到91.67%，但是同一生产厂家同一型号的无线网卡平均识别率只有78.4%，而由多重分形特征与拟合系数特征向量组成新的联合特征向量作为暂态指纹，不同生产厂家无线网卡的平均识别率高达97.17%，而且同一生产厂家同一型号的无线网卡平均识别率也大大提高到88%。

如图8所示为几种指纹特征识别结果对比图，本发明提出的多重分形双对数曲线梯度特征联合多项式拟合系数的识别性能最优，大大提高了同一厂家同一批次生产出来的无线发射机的识别率，达到了无线发射机个体识别的目的。

Claims (6)

1.无线发射机信号的多重分形梯度特征指纹识别方法，其特征在于包括以下步骤：

1）数据进行归一化：对采集的无线发射机暂态信号数据进行归一化，以消除噪声等干扰带来幅度的差异；

2）检测暂态信号起点：采用基于统计学的暂态起点检测算法，通过计算相位方差统计量差值的最大值位置准确地获取无线发射机缓慢上升的暂态信号的起点位置；

3）提取暂态信号包络：通过计算无线发射机暂态信号的短时傅里叶能量谱，并从谱图能量最高点对应的瞬时频率作切片处理，即可获得暂态信号光滑的能量切片包络曲线；

4）提取暂态信号特征参数：将能量切片包络曲线看作射频滤波器的冲激响应，用多项式曲线拟合的方法拟合能量切片包络曲线，得到多项式拟合系数；同时从能量切片包络曲线中提取多重分形双对数曲线梯度，选择梯度差异较大的区间作为梯度特征指纹，构建多项式拟合系数和多重分形双对数曲线梯度特征的联合指纹特征向量；

5）分类识别：联合多重分形双对数曲线梯度特征向量和多项式拟合系数特征向量作为无线发射机的个体识别指纹特征，利用识别器对无线发射机信号进行识别。

2.如权利要求1所述无线发射机信号的多重分形梯度特征指纹识别方法，其特征在于在步骤2）中，所述检测暂态信号起点，是采用基于统计学的暂态起点检测算法，所述基于统计学的暂态起点检测算法是利用均值变点检测分析法。

3.如权利要求1所述无线发射机信号的多重分形梯度特征指纹识别方法，其特征在于在步骤3）中，所述提取暂态信号包络，是通过计算无线发射机暂态信号的短时傅里叶能量谱，并从谱图能量最高点对应的瞬时频率作切片处理，即可获得暂态信号光滑的能量切片包络曲线，且能最大程度地保留发射机个体的特征。

4.如权利要求1所述无线发射机信号的多重分形梯度特征指纹识别方法，其特征在于在步骤4）中，所述提取暂态信号特征参数，是对暂态信号包络进一步提取特征参数，用多项式曲线拟合的方法拟合能量切片包络曲线，得到多项式拟合系数；同时从能量切片包络曲线中提取多重分形双对数曲线梯度，选择梯度差异较大的区间作为梯度特征指纹，构建多项式拟合系数和多重分形双对数曲线梯度特征的联合指纹特征向量。

5.如权利要求1所述无线发射机信号的多重分形梯度特征指纹识别方法，其特征在于在步骤5）中，所述识别器采用BP神经网络识别器。

6.如权利要求1所述无线发射机信号的多重分形梯度特征指纹识别方法，其特征在于在步骤5）中，所述利用识别器对无线发射机信号进行识别，是将提取出来的多重分形双对数曲线梯度特征向量和多项式拟合系数联合作为无线发射机的个体识别指纹特征，输入识别器，即可实现无线发射器信号的识别。

Images