CN103226704B - 无线发射机载波和时钟相位噪声指纹特征联合识别方法 - Google Patents
无线发射机载波和时钟相位噪声指纹特征联合识别方法 Download PDFInfo
- Publication number
- CN103226704B CN103226704B CN201310172306.0A CN201310172306A CN103226704B CN 103226704 B CN103226704 B CN 103226704B CN 201310172306 A CN201310172306 A CN 201310172306A CN 103226704 B CN103226704 B CN 103226704B
- Authority
- CN
- China
- Prior art keywords
- phase noise
- spectrum
- transmitting set
- clock phase
- carrier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 92
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
无线发射机载波和时钟相位噪声指纹特征联合识别方法,涉及无线发射机指纹识别。建立调频多重调制线谱相位噪声模型;采用高次方去调制法获取宽带调制信号的载波相位噪声谱,另通过延迟相乘法实现归零码的转化,从而在码元速率处获得时钟相位噪声谱;采用改进的二级分类谱线分离算法分别提取载波相位噪声谱和时钟相位噪声谱的线谱特征向量,同时采用分形维数的方法提取载波相位噪声谱的盒子维数特征向量;联合载波相位噪声和时钟相位噪声线谱特征向量以及分形盒子维数特征向量作为无线发射机的个体指纹特征,利用识别器对无线发射机信号进行识别。从稳态特征方面入手,达到实现对无线发射机进行准确的识别得目的。
Description
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载波和时钟相位噪声指纹特征联合识别方法。
背景技术
无线发射机指纹识别是指从接收的无线信号中提取特征向量作为指纹并用以识别发射机个体的技术。随着当今复杂电磁环境下的信息安全等问题日益凸显,该技术在通信对抗侦察系统、无线网络安全、通信资源管理等诸多领域有着十分广阔的应用前景。现代无线发射机设备集成度和一致性极高、调制参数设置软件化、载波频率高信号带宽大等特点给无线发射机的个体识别带来了更高的挑战。
近20年来,国内外辐射源个体识别的暂态信号和稳态信号两类研究对象。暂态信号是开关机、通信模式切换和帧切换等过渡过程中产生的信号。相对于暂态信号而言,无线发射机在稳态工作状态下,由于信号已经被调制,发射机内部个体差异的产生通常无法直接观察到,需要去掉调制信号的影响,才能获取发射机独有的细微特征。无线发射机的稳态特征分析和提取相对来说困难。
暂态特征方面,国内外对于暂态信号发射机个体识别的研究较多,中国专利CN102693411公开了一种基于射频的无线发射机的识别方法,它主要就是从暂态入手,通过提取暂态的前导信号特征指纹对无线发射机进行识别。暂态的特征提取需要对信号起点进行准确检测,但是对于部分无线信号,如802.11信号而言,暂态信号是一个缓慢上升的过程,这就增大了起点的检测难度,而准确的起点检测对发射机的识别至关重要。
稳态特征方面,蔡忠伟等发表在通信学报上的题为“基于双谱的通信辐射源个体识别”文献中提出采用双谱特征对通信辐射源进行个体识别;以及Kim和Spooner在2008年的GLOBECOM会议上发表题为“Specific emitter identification for cognitive radio withapplication to IEEE802.11”的文章中提出二阶循环谱特征对辐射源进行识别;许丹在论文“辐射源指纹机理及识别方法研究”中提出针对发射机末级功放的非线性特性进行泰勒级数建模,提取自激指数和频推指数等特征,但是实验数据只是仿真数据。
总之,在无线发射机的个体识别技术研究中,虽然已经取得了一些研究成果,但是仍存在待解决的一些问题。许多的研究方法针对性较强,只对若干个厂商的发射机进行了识别,有的只是进行了仿真分析,针对实测数据的识别结果较少,用于识别的实验数据量也很少。一些识别率较高的结果其发射机的差异性很大(肉眼观察差异非常明显),尤其对于相同厂商和相同型号的识别研究更是少之又少。其次,很多识别方法仅从信号的表面观测结果上寻找差异性,未能有效地从个体细微特征的本质上进行研究。
发明内容
本发明的目的是提供一种无线发射机载波和时钟相位噪声指纹特征联合识别方法,从稳态特征方面入手,以达到实现对无线发射机进行准确的识别得目的。
本发明包括以下步骤:
1)建立调频(FM)多重调制线谱相位噪声模型;
2)采用高次方去调制法获取宽带调制信号的载波相位噪声谱,另通过延迟相乘法实现归零码的转化,从而在码元速率处获得时钟相位噪声谱;
3)采用改进的二级分类谱线分离算法分别提取载波相位噪声谱和时钟相位噪声谱的线谱特征向量,同时采用分形维数的方法提取载波相位噪声谱的盒子维数特征向量;
4)联合载波相位噪声和时钟相位噪声线谱特征向量以及分形盒子维数特征向量作为无线发射机的个体指纹特征,利用识别器对无线发射机信号进行识别。
在步骤1)中,所述建立调频多重调制线谱相位噪声模型的目的在于改变FM调制的参数,可获得与载波相位噪声近似的线谱。
在步骤2)中,所述高次方去调制法,是由于宽带调制信号中并不直接包含载波相位噪声的线谱,因此要通过去调制,达到去除调制信息的影响,从而在高倍载波分量处获得载波的线谱的目的;所述延时相乘法,是因为时钟相位噪声描述了实际信号码元时钟频率对其理想时钟频率的偏移量,表现在频域上即为码元时钟附近的离散线谱及连续谱,所以通过延时相乘方法可以将非归零码转换为归零码,在码元速率处获取时钟的线谱。
在步骤3)中,所述改进的二级分类谱线分离算法,即两级分类的特征提取算法,利用线谱的分布情况,对其分类然后进行特征提取,实现了不同分布的线谱特征的提取;所述分形维数的方法,目的是把相位噪声线谱的自相似性盒子维数特征提取出来。
在步骤4)中,所述识别器是支持向量机(SVM)识别器和BP神经网络识别器;把提取出来的载波相位噪声,时钟相位噪声,以及相位噪声线谱盒子维数作为识别器输入向量,利用识别器,即可对无线发射器信号进行识别。
本发明与现有的方法不同,提出了将载波相位噪声和时钟相位噪声的线谱作为无线发射机指纹特征的新概念,提取载波相位噪声和时钟相位噪声线谱特征和及其相位噪声的分形维数作为指纹。
通过本发明所提起无线发射机信号相位噪声指纹特征,利用支持向量机(SVM)识别器和BP神经网络识别器对无线发射机信号进行识别。实测数据识别结果表明,单独采用载波相位噪声指纹进行识别,同一型号同一批次软件无线电设备的载波相位噪声指纹识别率最高可达90.5%,利用载波和时钟相位噪声指纹的联合检测,同一型号同一批次8台软件无线电设备识别率高达98.75%。
附图说明
图1为某无线发射机接收到实测信号并去调制后的载波相位噪声谱图。
图2为二重FM调制的仿真信号。
图3为一种编号XSDR002无线发射机载波相位噪声谱及线谱特征值图。在图3中,曲线a为线谱特征值图,曲线b为载波相位噪声谱。
图4为一种编号XSDR005无线发射机载波相位噪声谱及线谱特征值图。在图4中,曲线a为线谱特征值图,曲线b为载波相位噪声谱。
图5为一种编号XSDR002时钟相位噪声谱,算法改进前50组测量数据线谱的位置。
图6为一种编号XSDR002时钟相位噪声谱,算法改进后50组测量数据线谱的位置。
图7为几种同一厂家同一批次的无线发射机的载波相位噪声谱的盒子维数特征。在图7中,标记◇为XSDR002,○为XSDR004,□为XSDR005,◆为XSDR011。
图8为几种不同特征组合识别结果对比。在图8中,标记a为SVM,b为BP神经网络。
具体实施方式
无线发射机信号载波相位噪声和时钟相位噪声指纹特征联合识别方法主要有以下4个步骤:
1.建立FM多重调制线谱相位噪声模型。因为相位噪声可看作是一种FM调制,通过建立FM多重调制线谱相位噪声模型,改变FM调制的参数,从而可获得和载波相位噪声近似的线谱。
一重FM调制:
s(t)=Accos[2πfct+βsin(2πfmt)]
二重FM调制:
s(t)=Accos[2πfct+β1sin(2πfm1t+β2cos(2πfm2t))]
三重FM调制:
s(t)=Accos[2πfct+β1sin(2πfm1t+β2cos(2πfm2t+β3sin(2πfm3t)))]
其中β=Δf/fm,Δf为最大频偏,fm为调制频率,fc为载波频率,Ac为幅值。
多重FM调制模型通过迭代算法,改变参数β1,β2,β3,fm1,fm2,fm2得到仿真信号。如图1和图2所示,图1为某无线发射机接收到实测信号并去调制后的载波相噪谱图,图2为二重FM调制的仿真信号。通过仿真与实测数据对比,可以看出仿真图可以模拟实测信号的载波相位噪声指纹。
2.从已调信号中获取含有指纹信息的信号是特征提取的首要步骤。载波相位噪声指纹需要获得载波的信息,时钟相位噪声指纹需要获得码元时钟的信息,因此可以借鉴通信系统中载波同步和时钟同步的方法,但又为保留载波和时钟线谱附近的相位噪声信息,又不能和同步估计的方法完全一致。
本发明通过去除调制信息的影响,从而在高倍载波分量处获得载波的线谱;同时通过延迟相乘将非归零码转换为归零码,在码元速率处获取时钟的线谱。
载波相位噪声可看作是一种FM调制。高次方去调制的方法是调制信号经过N次倍频后,键控信号的调制信息将被消除,可以得到N倍载波分量,提取出带相位噪声的载波谱。
延迟相乘法通过延迟半个码元周期,使得离散谱达到最大,时钟线谱分量最强,这时源于时钟抖动带来的相位噪声的线谱则分布在码元速率的线谱周围,继而获取其相位噪声线谱。
3.除了无线设备自身带有的底部噪声之外,信号功率谱估计误差引起的毛刺成分等随机因素对连续谱的幅度影响都比较大,不利于特征提取,因此需要将线谱分量从含有连续谱中分离出来,即为接下来需要处理的步骤。
采用局部极大值法,可以有效的提取相位噪声的线谱,不同时刻的样本受噪声等的干扰,线谱的幅度略有起伏,而线谱提取算法是根据幅值的大小取前7个幅值最大的线谱频率值,造成判别的差异。因而本发明提出改进的局部极大值谱分离方法。根据线谱分布不同,对不同软件无线电设备作两级分类,在对第一级进行分类后,根据线谱分布情况,进行第二级分类,继而分别对两类信号进行各自特征提取。
如图3和4,即为利用上面步骤,经过4次倍频后在4倍载波处±2KHz范围获取到编号XSDR002和编号XSDR005的两种同一厂家同一批次的不同无线发射机的载波相位噪声谱及线谱特征值,图3和4可以看出,该两种同意厂家同一批次的不同无线发射机载波相位噪声线谱特征值差异明显。
本发明在时钟相位噪声线谱在提取过程,发现:由于噪声干扰等因素,当采样的数据组数增加时,线谱的位置发生较大的变化,如图5所示,一种编号XSDR002时钟相位噪声谱,算法改进前50组测量数据线谱的位置。而通过算法的改进,如图6所示,线谱的位置基本一直,达到很好的效果。
在提取载波相位噪声谱的盒子维数特征向量方面,采用分形维数的方法。多重FM调制模型通过迭代算法,改变参数可模拟不同软件无线电设备的相位噪声指纹。由迭代算法生成相位噪声指纹图形具有自相似性,即满足分形对象的特征描述。因此相位噪声的功率谱信号可以采用分形的方法提取其特征参数。如图7所示,可以看出不同时刻发射机的分形盒子维数具有一定的差异性,因此载波相位噪声谱的盒子维数特征可以用来作为无线发射机的识别。
4.获取每组数据的载波相位噪声线谱以及时钟相位噪声线谱位置处的频率值,以及获取到的载波相位噪声谱的盒子维数特征参数作为特征向量,利用支持向量机(SVM)识别器和BP神经网络识别器,分别对提取出来的相位噪声指纹特征进行无线发射机识别。
本发明在对识别过程中的结果进行分析,发现,单独载波相位噪声指纹特征和时钟相位噪声指纹特征对同一厂家同一批次生产出来的无线发射机进行识别时,平均识别率最高分别达到89%和75.25%。而载波相位噪声指纹特征结合通过计算载波相位噪声线谱的分形维数——盒子维数作为载波相位噪声的另一个指纹特征时,平均识别率最高达到90.5%。通过分析发现,载波相位噪声指纹特征和时钟相位噪声指纹特征,两者对不同的软线无线电设备的分离度性能各有不同。因而,本发明把载波相位噪声指纹特征,时钟相位噪声指纹特征,载波相位噪声线谱的分形维数,作为联合指纹特征,对同一厂家同一批次生产出来的无线发射机进行识别。得到的结果是,同一型号同一批次8台软件无线电设备识别率最高达98.75%。几个识别过程对比如图8所示。
Claims (3)
1.无线发射机载波和时钟相位噪声指纹特征联合识别方法,其特征在于包括以下步骤:
1)建立调频多重调制线谱相位噪声模型;
2)采用高次方去调制法获取宽带调制信号的载波相位噪声谱,另通过延迟相乘法实现归零码的转化,从而在码元速率处获得时钟相位噪声谱;
所述延迟相乘法,是通过延迟相乘法将非归零码转换为归零码,在码元速率处获取时钟的线谱;
3)采用改进的二级分类谱线分离算法分别提取载波相位噪声谱和时钟相位噪声谱的线谱特征向量,同时采用分形维数的方法提取载波相位噪声谱的盒子维数特征向量;
所述改进的二级分类谱线分离算法,即两级分类的特征提取算法,具体方法是利用线谱的分布情况,对其分类然后进行特征提取,实现了不同分布的线谱特征的提取;
所述分形维数的方法,是把相位噪声线谱的自相似性盒子维数特征提取出;
4)联合载波相位噪声谱和时钟相位噪声谱的特征向量以及载波相位噪声谱的盒子维数特征向量作为无线发射机的个体指纹特征,利用识别器对无线发射机信号进行识别。
2.如权利要求1所述无线发射机载波和时钟相位噪声指纹特征联合识别方法,其特征在于在步骤4)中,所述识别器是支持向量机识别器和BP神经网络识别器。
3.如权利要求1所述无线发射机载波和时钟相位噪声指纹特征联合识别方法,其特征在于在步骤4)中,所述利用识别器对无线发射机信号进行识别是把提取出来的载波相位噪声谱、时钟相位噪声谱以及载波相位噪声谱的盒子维数特征向量作为识别器输入向量,利用识别器,即可对无线发射机信号进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310172306.0A CN103226704B (zh) | 2013-05-10 | 2013-05-10 | 无线发射机载波和时钟相位噪声指纹特征联合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310172306.0A CN103226704B (zh) | 2013-05-10 | 2013-05-10 | 无线发射机载波和时钟相位噪声指纹特征联合识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103226704A CN103226704A (zh) | 2013-07-31 |
CN103226704B true CN103226704B (zh) | 2016-08-31 |
Family
ID=48837145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310172306.0A Expired - Fee Related CN103226704B (zh) | 2013-05-10 | 2013-05-10 | 无线发射机载波和时钟相位噪声指纹特征联合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103226704B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452716B (zh) * | 2016-11-15 | 2019-09-06 | 厦门大学 | 基于Hash指纹的无人机信号识别检测方法 |
CN108108712B (zh) * | 2017-12-29 | 2021-07-06 | 哈尔滨工业大学 | 一种基于方差维数的辐射源指纹特征提取方法 |
CN108683428B (zh) * | 2018-05-23 | 2020-04-17 | 南通大学 | 一种基于近似解的单载波通信发射机指纹估计与认证方法 |
CN108737301B (zh) * | 2018-05-23 | 2020-08-07 | 南通大学 | 一种基于b样条神经网络的宽带通信发射机指纹估计方法 |
CN109150340B (zh) * | 2018-07-28 | 2020-11-24 | 中国人民解放军战略支援部队信息工程大学 | 指纹特征提取方法及身份检测方法和辐射源识别校正方法 |
CN114024555B (zh) * | 2021-10-28 | 2022-07-29 | 电子科技大学 | 一种射频指纹可重构的前端电路及其重构方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0902563B1 (en) * | 1997-09-09 | 2006-01-25 | Sony Deutschland GmbH | Detection method for the transmitter identification information signal in the null symbol of a DAB stream |
CN102693411B (zh) * | 2011-03-25 | 2014-05-28 | 南通大学 | 基于射频指纹的无线发射机的识别方法 |
-
2013
- 2013-05-10 CN CN201310172306.0A patent/CN103226704B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
一种新的通信辐射源个体识别方法;赵国庆等;《计算机应用》;20120501;第32卷(第5期);第1460-1462,1466页 * |
基于调制线谱特征提取的被动声呐目标识别技术研究;王菲等;《舰船科学技术》;20020430;第24卷(第2期);第36-41页 * |
辐射源指纹识别及其关键技术的发展;张宁等;《飞航导弹》;20111231(第5期);第42-45,69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103226704A (zh) | 2013-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103226704B (zh) | 无线发射机载波和时钟相位噪声指纹特征联合识别方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN110113075B (zh) | 基于stft-spwvd的混合网台跳频参数盲估计方法 | |
Lin et al. | Wireless device identification based on radio frequency fingerprint features | |
Sarijari et al. | Energy detection sensing based on GNU radio and USRP: An analysis study | |
CN107490785B (zh) | 一种基于频域置零调制的ofdm雷达通信一体化波形设计方法 | |
Bao et al. | A histogram-based segmentation method for wideband spectrum sensing in cognitive radios | |
CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN103323667B (zh) | 贝塞尔函数与虚拟阵列相结合的sfm信号的参数估计方法 | |
CN104270234A (zh) | 一种基于欠奈奎斯特采样的宽带信号检测识别方法 | |
Chen et al. | LPI radar waveform recognition based on multi-branch MWC compressed sampling receiver | |
Hosseini et al. | Joint wavelet‐based spectrum sensing and FBMC modulation for cognitive mmWave small cell networks | |
He et al. | Specific emitter identification via multiple distorted receivers | |
Zhao et al. | Transient fingerprint feature extraction for WLAN cards based on polynomial fitting | |
KR102347174B1 (ko) | 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법 | |
Shen et al. | Towards receiver-agnostic and collaborative radio frequency fingerprint identification | |
Wang et al. | Specific emitter identification based on fractal and wavelet theories | |
CN107592173B (zh) | 一种基于usrp的5g认知网络系统架构及其方法 | |
Li et al. | Emitter identification based on improved Variational modal decomposition at low SNR | |
Björsell et al. | A waveform digitizer-based automatic modulation classifier for a flexible spectrum management | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
Su et al. | Specific Emitter Identification Based on CNN via Variational Mode Decomposition and Bimodal Feature Fusion | |
Kosmowski et al. | A novel OFDM sensing method based on CAF-max for hybrid detectors architecture | |
CN109981199A (zh) | 一种智能电网基于认知无线电的多频谱感知和功率分配的方法 | |
Carnì et al. | A portable instrument for automatic detection and classification of telecommunication signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 |