CN106446877B - 一种基于信号幅度排序的射频指纹特征提取和识别方法 - Google Patents
一种基于信号幅度排序的射频指纹特征提取和识别方法 Download PDFInfo
- Publication number
- CN106446877B CN106446877B CN201611039562.2A CN201611039562A CN106446877B CN 106446877 B CN106446877 B CN 106446877B CN 201611039562 A CN201611039562 A CN 201611039562A CN 106446877 B CN106446877 B CN 106446877B
- Authority
- CN
- China
- Prior art keywords
- transient signal
- booting
- sample
- signal
- radio
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于信号幅度排序的射频指纹特征提取和识别方法,所述的方法包括检测接收到的开机瞬态信号的起始点位置和结束点位置;采集开机瞬态信号样本点;编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数;判断开机瞬态信号样本点的大小关系并做相应处理;建立样本矢量函数指纹库和待识别样本矢量函数库,建立类间离差矩阵并计算迹;判断两个无线发射机是否为同一设备;本发明的指纹采集和特征提取的实现方法简洁高效,具有普遍适用性,同时本发明在控制了计算复杂度的基础上明显提升了识别率。
Description
技术领域
本发明涉及无线设备物理层接入认证领域,具体是一种基于信号幅度排序的射频指纹特征提取和识别方法。
背景技术
无线通信由于其开放性和广播性的特点,极易受到窃听、伪造和干扰等安全威胁。无线设备接入网络是无线通信的第一步,接入安全是关键,无线设备的接入安全是当今无线网络安全的一个严重挑战。射频指纹识别技术作为一种重要的非密码认证技术,因其充分利用不可模仿的射频特性实现认证,在物理层安全中具有独一无二的应用价值。
射频指纹识别是一种基于发射机发射信号瞬态/稳态部分对发射机进行唯一识别的技术。由于工艺水平导致的硬件上无法消除的误差,射频指纹特征在不同的无线发射机中是唯一的,因此射频指纹识别技术在无线定位、无线网卡接入控制以及移动蜂窝网的移动电话识别上有着重要的作用。提取射频指纹特征是射频指纹识别的关键步骤。对于接收到的无线信号,接收方必须对信号进行预处理,如某些必要的检测、截取和变换,接着提取射频指纹的特征。特征提取源于图像处理,在信号检测和处理中,是指对于预处理后的信号,进行分析和变换,以突出该信号具有代表性(具有明显的物理意义或统计意义)的特征并提取保存的方法。特征提取的目的在于减少数据存储,降低输入数据冗余,以便于发现更有意义的潜在变量,帮助对大量相似信号的深入了解与分析。
在现有的射频指纹特征提取和识别解决方案中,多数方法均选择对开机瞬态信号进行特征提取,因为开机瞬态信号能较好的反映一个无线发射机独一无二的硬件特性。然而,某些特征提取方法并没有考虑到开机瞬态信号沿x轴的长度也是一个重要的信号特征而导致了识别率不够高,某些方法虽然考虑了开机瞬态信号沿x轴的长度但却因此导致了计算复杂度大大的提高,还有一些方法因为考虑了开机瞬态信号沿x轴的长度而使得采样变得不易实现。
公开号为CN105678273A的中国专利公开了一种射频指纹识别技术射频信号瞬态部分的起始点检测算法,包括信号采集、截取每个波形的瞬态过程波形、信号归一化、提取包络、包络滤波、包络分块、对每块归一化包络信号分别进行傅里叶变换、计算每块归一化包络信号频域幅值的频域平坦度、时域平坦度和时频平坦度、时频域平坦度的极小值检测为瞬态信号的起始点步骤。本发明结合时域和频域特点检测出发射机射频信号的瞬态起始点,从而更有效地提取指纹特征,再用分类器对无线设备进行分类,使射频指纹识别技术更好地应用于无线网络安全领域。本发明具有较高的识别准确率和较短的分类时间。该专利与本发明基于排序进行射频指纹特征提取和识别的技术方案不同。
公开号为CN102693411B的中国专利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。本发明的基于射频指纹的无线发射机的识别方法利用功率斜升期间发送的前导信号变换得到的ramp-up RFF(Radio Frequency Fingerprints,简称RFF),具有RFF可分性优并且所需采样率低的优势,ramp-up RFF可用于基于前导的无线设备的多RFF识别,从而实现无线网络物理层安全增强等目的。该专利所述的检测无线信号的参考时刻并进行前导信号的截取,把前导信号变换为射频指纹与本发明提取样本矢量函数作为射频指纹特征的做法不同,且本发明基于排序的简算法,具有更高的识别率和执行效率。
公开号为CN105162778A的中国专利公开了一种基于射频指纹的跨层认证方法,包括以下步骤:S1.第一时隙,合法发送者A向合法接收者B发送第一数据包,对第一数据包进行上层认证;S2.提取合法发送者A的射频指纹特征向量,并将其存储到合法接收者B的存储器中;S3.下一时隙,发送者X向合法接收者B发送第二数据包,提取发送者X的射频指纹特征向量;S4.设置射频指纹特征向量样本;S5.判断发送者X的射频指纹特征向量与射频指纹特征向量样本的相似度;若该相似度大于或等于设定的阈值,则射频指纹认证成功,存储该发送者X的射频指纹特征向量,跳转步骤S3;否则射频指纹认证失败,丢弃第二数据包,跳转步骤S1。本发明具有复杂度低、延时小和精确度高的特点。该专利通过设立阈值来判断纹特征向量样本的相似度,与本发明通过建立类间距矩阵并计算矩阵的迹,然后通过设立迹的阈值来判断无线发射机是否为统一设备的方法不同。
目前,国内外已有不少文献提出了不同的特征提取方法,采集何种指纹、提取何种特征和怎样提取特征直接影响到判决识别的正确率和计算复杂度。
发明内容
本发明的目的在于克服现有技术的不足,针对目前射频指纹特征的提取和识别问题,提供一种基于信号幅度排序的射频指纹特征提取和识别方法,优化了现有的开机瞬态信号采样方法,使其既可以兼顾信号沿x轴的长度,同时相较其他方法在计算复杂度上有明显的降低,以至少达到提高判决正确率、降低采样过程中的错误发生概率和提高射频指纹识别率的结果。
本发明的目的是通过以下技术方案来实现的:一种基于信号幅度排序的射频指纹特征提取和识别方法,它包括以下步骤:
S1:检测接收到的开机瞬态信号的起始点位置和结束点位置;
S2:采集开机瞬态信号样本点;
S3:编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数f:
f={amp:(1,2,……,M)}
={amp1,amp2,……,ampM}
定义待识别的开机瞬态信号的幅值函数g:
g={amp:(1,2,……,N)}
={amp1,amp2,……,ampN}
其中,M为开机瞬态信号样本点数量,N为待识别的开机瞬态信号数量,ampM为第M个开机瞬态信号样本点的幅值,ampN为第N个待识别的开机瞬态信号的幅值;
S4:判断M与N的大小关系,若M=N,则直接对f和g按照幅值关系进行排序并提取开机瞬态信号的特征;若M>N,则选择f中的前N项元素,得到:
fs={amp1,amp2,……,ampN}
对fs和g按照幅值关系进行排序并提取开机瞬态信号的特征;若M<N,对待识别函数g进行以下处理:
令对g={amp1,amp2,……,ampN}执行:
ampi=ampi……(i≠nl-1,i≠nl(n=1,2,3…))
执行完毕后的g中剩下M项元素,重新编号得到:
gs={amp1,amp2,……,ampM}
对gs和f按照幅值关系进行排序并提取开机瞬态信号的特征;
S5:建立样本矢量函数指纹库和待识别样本矢量函数库,建立类间离差矩阵并计算迹;
S6:判断两个无线发射机是否为同一设备。
所述起始点位置的检测通过阈值来判定,所述结束点位置通过试验的方式确定。
在步骤S2中,以固定的频率对瞬态信号进行采样。
所述的编号对采样样本以时间序列编号。
所述的按照幅值关系进行排序并提取开机瞬态信号的特征,首先按照幅值从大到小进行排序:
f′={ampx,ampy,……,ampz}
其中ampx>ampy>……>ampz;
以每个开机瞬态信号样本点对应的幅度值在幅值排序中的位置定义样本矢量函数fn:
fn={pos:(1,2,……,M)}
={x,y,……,z}
以每个待识别的开机瞬态信号对应的幅度值在幅值排序中的位置定义待识别样本矢量函数gn:
gn={pos:(1,2,……,M)}
={r,s,……,t}
其中,x,y,……,z为开机瞬态信号样本点按照幅值从大到小排序以后的相应序号,r,s,……,t为待识别的开机瞬态信号按照幅值从大到小排序以后的相应序号;
然后,提取fn、gn作为开机瞬态信号的特征。
在步骤S5中,通过多次采集获得样本矢量函数指纹库f1~fI和待识别样本矢量函数指纹库g1~gJ;通过计算均值矢量和先验概率来建立类间离差矩阵,通过计算类间离差矩阵的迹来作为射频指纹可分离性的度量;
其中,I为样本矢量函数总数,J为待识别样本矢量函数总数。
对于单一模式的无线发射,计算指纹库中待匹配的样本矢量函数均值矢量mf:
计算待识别的样本矢量函数均值矢量mg:
计算相应类的先验概率P:
计算总体均值矢量m:
建立类间离差矩阵SB:
SB=P(mf-m)(mf-m)'+(1-P)(mg-m)(mg-m)'
计算类间离差矩阵的迹D:
D=Tr[SB]
在步骤S7中,通过设立类间离差矩阵的迹的门限值来判定两个无线发射机是否为同一设备。
本发明的有益效果是:本发明指纹采集和特征提取的实现方式简洁高效,具有普遍适用性,同时本发明在控制了计算复杂度的基础上明显提升了识别率,与现有的解决方案相比,具有如下优点:
(1)考虑了开机瞬态信号沿x轴的长度,提高了判决正确率;
(2)采样频率固定,对不同的无线发射机,无需人为调整采样频率,使得样本采集自动、高效,降低在采集过程中发生错误的概率;
(3)采用幅值排序序列而非幅值本身作为射频指纹特征,降低了环境变化、发射功率变化和采样距离变化导致的误差,提高了射频指纹的识别率。
附图说明
图1为本发明的方法步骤示意图;
图2为起始点为0.25μs的一个802.11b无线网卡的信号样本示意图;
图3为起始点为0.35μs的一个802.11b无线网卡的信号样本示意图;
图4为对起始点为0.25μs的802.11b无线网卡的信号样本进行频率为0.05μs的等间距采样示意图;
图5为对起始点为0.35μs的802.11b无线网卡的信号样本进行频率为0.05μs的等间距采样示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于信号幅度排序的射频指纹特征提取和识别方法,它包括以下步骤:
S1:检测接收到的开机瞬态信号的起始点位置和结束点位置;
S2:采集开机瞬态信号样本点;
S3:编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数f:
f={amp:(1,2,……,M)}
={amp1,amp2,……,ampM}
定义待识别的开机瞬态信号的幅值函数g:
g={amp:(1,2,……,N)}
={amp1,amp2,……,ampN}
其中,M为开机瞬态信号样本点数量,N为待识别的开机瞬态信号数量,ampM为第M个开机瞬态信号样本点的幅值,ampN为第N个待识别的开机瞬态信号的幅值;
S4:判断M与N的大小关系,若M=N,则直接对f和g按照幅值关系进行排序并提取开机瞬态信号的特征;若M>N,则选择f中的前N项元素,得到:
fs={amp1,amp2,……,ampN}
对fs和g按照幅值关系进行排序并提取开机瞬态信号的特征;若M<N,对待识别函数g进行以下处理:
令对g={amp1,amp2,……,ampN}执行:
ampi=ampi……(i≠nl-1,i≠nl(n=1,2,3…))
执行完毕后的g中剩下M项元素,重新编号得到:
gs={amp1,amp2,……,ampM}
对gs和f按照幅值关系进行排序并提取开机瞬态信号的特征;
S5:建立样本矢量函数指纹库和待识别样本矢量函数库,建立类间离差矩阵并计算迹;
S6:判断两个无线发射机是否为同一设备。
所述起始点位置的检测通过阈值来判定,所述结束点位置通过试验的方式确定。
在步骤S2中,以固定的频率对瞬态信号进行采样。
所述的编号对采样样本以时间序列编号。
所述的按照幅值关系进行排序并提取开机瞬态信号的特征,首先按照幅值从大到小进行排序:
f′={ampx,ampy,……,ampz}
其中ampx>ampy>……>ampz;
以每个开机瞬态信号样本点对应的幅度值在幅值排序中的位置定义样本矢量函数fn:
fn={pos:(1,2,……,M)}
={x,y,……,z}
以每个待识别的开机瞬态信号对应的幅度值在幅值排序中的位置定义待识别样本矢量函数gn:
gn={pos:(1,2,……,M)}
={r,s,……,t}
其中,x,y,……,z为开机瞬态信号样本点按照幅值从大到小排序以后的相应序号,r,s,……,t为待识别的开机瞬态信号按照幅值从大到小排序以后的相应序号;
然后,提取fn、gn作为开机瞬态信号的特征。
在步骤S5中,通过多次采集获得样本矢量函数指纹库f1~fI和待识别样本矢量函数指纹库g1~gJ;通过计算均值矢量和先验概率来建立类间离差矩阵,通过计算类间离差矩阵的迹来作为射频指纹可分离性的度量;
其中,I为样本矢量函数总数,J为待识别样本矢量函数总数。
对于单一模式的无线发射,计算指纹库中待匹配的样本矢量函数均值矢量mf:
计算待识别的样本矢量函数均值矢量mg:
计算相应类的先验概率P:
计算总体均值矢量m:
建立类间离差矩阵SB:
SB=P(mf-m)(mf-m)'+(1-P)(mg-m)(mg-m)'
计算类间离差矩阵的迹D:
D=Tr[SB]
在步骤S7中,通过设立类间离差矩阵的迹的门限值来判定两个无线发射机是否为同一设备。
作为本发明的实施例之一,以802.11b无线网卡为例,说明本发明的具体特征提取方法:
如图2,3所示,起始位置检测,通过阈值检测来判定瞬态信号的起始点,两个802.11b无线网卡的信号样本,其起始点分别为0.25μs、0.35μs;
如图4,5所示,等间距采样,以固定的频率对信号进行采样,采样频率均为0.05μs;将采样样本以时间序列编号,以每个样本点对应的幅值定义函数:
f={amp:(1,2,3,4,5,6,7,8,9,10,11,)}
={0.009,0.019,0.026,0.040,0.010,0.057,0.000,0.059,0.051,0.048,0.046}
g={amp:(1,2,3,4,5,6,7,8,9,10,11,12,13)}
={0.009,0.014,0.022,0.027,0.030,0.041,0.000,0.050,0.015,0.051,0.043,0.034,0.047}
M=11,N=13,M<N,对g做以下处理:
计算对g中元素执行:
减少两个元素后,对g中元素重新编号
gs={amp:(1,2,3,4,5,6,7,8,9,10,11)}
={0.009,0.014,0.022,0.027,0.0355,0.000,0.050,0.015,0.051,0.0385,0.047}
对f和gs执行按照幅值关系进行排序并提取开机瞬态信号的特征;
具体的,按照幅值从大到小进行排序:
f′={0.059,0.057,0.051,0.048,0.046,0.040,0.026,0.019,0.010,0.009,0.000}
g′={0.051,0.050,0.047,0.0385,0.0355,0.027,0.022,0.015,0.014,0.009,0.000}
以每个样本序列对应的幅度值在幅值排序中的位置定义新的函数
fn={pos:(1,2,3,4,5,6,7,8,9,10,11)}
={10,8,7,6,9,2,11,1,3,4,5}
gn={pos:(1,2,3,4,5,6,7,8,9,10,11)}
={10,9,7,6,5,11,2,8,1,4,3}
以样本适量函数fn、gn作为以上两个网卡开机瞬态信号的一个特征。
计算类间离差矩阵的迹,并根据实际情况设定迹的阈值来进行判决。
以上内容仅描述了本发明的基本原理和主要特点。本行业的技术人员应该了解到,在不脱离本发明所附权利要求书所限定的精神和范围内,从形式上和细节上对本发明所做出的变化,均在本发明权利要求所保护的范围内。
Claims (7)
1.一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于,它包括以下步骤:
S1:检测接收到的开机瞬态信号的起始点位置和结束点位置;
S2:采集开机瞬态信号样本点;
S3:编号开机瞬态信号样本点,以每个开机瞬态信号样本点对应的幅值定义开机瞬态信号样本点幅值函数f:
f={amp:(1,2,……,M)}
={amp1,amp2,……,ampM}
定义待识别的开机瞬态信号的幅值函数g:
g={amp:(1,2,……,N)}
={amp1,amp2,……,ampN}
其中,M为开机瞬态信号样本点数量,N为待识别的开机瞬态信号数量,ampM为第M个开机瞬态信号样本点的幅值,ampN为第N个待识别的开机瞬态信号的幅值;
S4:判断M与N的大小关系,若M=N,则直接对f和g按照幅值关系进行排序并提取开机瞬态信号的特征;若M>N,则选择f中的前N项元素,得到:
fs={amp1,amp2,……,ampN}
对fs和g按照幅值关系进行排序并提取开机瞬态信号的特征,按照幅值关系进行排序并提取开机瞬态信号的特征,首先按照幅值从大到小进行排序:
f′={ampx,ampy,……,ampz}
其中ampx>ampy>……>ampz;
以每个开机瞬态信号样本点对应的幅度值在幅值排序中的位置定义样本矢量函数fn:
fn={pos:(1,2,……,M)}
={x,y,……,z}
以每个待识别的开机瞬态信号对应的幅度值在幅值排序中的位置定义待识别样本矢量函数gn:
gn={pos:(1,2,……,M)}
={r,s,……,t}
其中,x,y,……,z为开机瞬态信号样本点按照幅值从大到小排序以后的相应序号,r,s,……,t为待识别的开机瞬态信号按照幅值从大到小排序以后的相应序号;
然后,提取fn、gn作为开机瞬态信号的特征;若M<N,对待识别函数g进行以下处理:
令对g={amp1,amp2,……,ampN}执行:
ampi=ampi……(i≠nl-1,i≠nl(n=1,2,3…))
执行完毕后的g中剩下M项元素,重新编号得到:
gs={amp1,amp2,……,ampM}
对gs和f按照幅值关系进行排序并提取开机瞬态信号的特征;
S5:建立样本矢量函数指纹库和待识别样本矢量函数库,建立类间离差矩阵并计算迹;
S6:判断两个无线发射机是否为同一设备。
2.根据权利要求1所述的一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于:所述起始点位置的检测通过阈值来判定,所述结束点位置通过试验的方式确定。
3.根据权利要求1所述的一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于:在步骤S2中,以固定的频率对瞬态信号进行采样。
4.根据权利要求1所述的一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于:所述的编号对采样样本以时间序列编号。
5.根据权利要求1所述的一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于:在步骤S5中,通过多次采集获得样本矢量函数指纹库f1~fI和待识别样本矢量函数指纹库g1~gJ;通过计算均值矢量和先验概率来建立类间离差矩阵,通过计算类间离差矩阵的迹来作为射频指纹可分离性的度量;
其中,I为样本矢量函数总数,J为待识别样本矢量函数总数。
6.根据权利要求5所述的一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于:对于单一模式的无线发射,计算指纹库中待匹配的样本矢量函数均值矢量mf:
计算待识别的样本矢量函数均值矢量mg:
计算相应类的先验概率P:
计算总体均值矢量m:
建立类间离差矩阵SB:
SB=P(mf-m)(mf-m)T+(1-P)(mg-m)(mg-m)T
计算类间离差矩阵的迹D:
D=Tr[SB] 。
7.根据权利要求1所述的一种基于信号幅度排序的射频指纹特征提取和识别方法,其特征在于:在步骤S7中,通过设立类间离差矩阵的迹的门限值来判定两个无线发射机是否为同一设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611039562.2A CN106446877B (zh) | 2016-11-21 | 2016-11-21 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611039562.2A CN106446877B (zh) | 2016-11-21 | 2016-11-21 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446877A CN106446877A (zh) | 2017-02-22 |
CN106446877B true CN106446877B (zh) | 2019-07-30 |
Family
ID=58220398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611039562.2A Active CN106446877B (zh) | 2016-11-21 | 2016-11-21 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446877B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341519B (zh) * | 2017-07-10 | 2021-01-26 | 电子科技大学 | 一种基于多分辨率分析的支持向量机识别优化方法 |
CN107392123B (zh) * | 2017-07-10 | 2021-02-05 | 电子科技大学 | 一种基于相参积累消噪的射频指纹特征提取和识别方法 |
CN108696865B (zh) * | 2018-04-24 | 2021-02-02 | 西南科技大学 | 一种无线传感网络节点安全认证方法 |
CN109587136B (zh) * | 2018-12-05 | 2020-06-19 | 电子科技大学 | 一种基于双极大值的射频指纹特征提取和识别方法 |
CN111866860B (zh) * | 2020-05-29 | 2022-11-04 | 东南大学 | 一种基于序贯的无线设备射频指纹识别方法 |
CN114584984A (zh) * | 2022-02-18 | 2022-06-03 | 网络通信与安全紫金山实验室 | 一种信号处理方法、装置、电子设备及存储介质 |
CN114978582B (zh) * | 2022-04-11 | 2023-08-04 | 大连海事大学 | 一种基于迭代余弦谱变换的射频指纹识别方法及系统 |
CN115017935B (zh) * | 2022-04-22 | 2024-04-26 | 大连海事大学 | 一种基于滑窗方差轨迹的射频信号发射时刻检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693411A (zh) * | 2011-03-25 | 2012-09-26 | 南通大学 | 基于射频指纹的无线发射机的识别方法 |
CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN105162778A (zh) * | 2015-08-19 | 2015-12-16 | 电子科技大学 | 基于射频指纹的跨层认证方法 |
CN105631472A (zh) * | 2015-12-24 | 2016-06-01 | 东南大学 | 一种基于星座轨迹图的无线设备身份识别方法 |
CN105656826A (zh) * | 2016-03-18 | 2016-06-08 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及系统 |
CN105678273A (zh) * | 2016-01-14 | 2016-06-15 | 上海大学 | 射频指纹识别技术瞬态信号的起始点检测算法 |
-
2016
- 2016-11-21 CN CN201611039562.2A patent/CN106446877B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693411A (zh) * | 2011-03-25 | 2012-09-26 | 南通大学 | 基于射频指纹的无线发射机的识别方法 |
CN103220055A (zh) * | 2013-05-10 | 2013-07-24 | 厦门大学 | 无线发射机信号的多重分形梯度特征指纹识别方法 |
CN105162778A (zh) * | 2015-08-19 | 2015-12-16 | 电子科技大学 | 基于射频指纹的跨层认证方法 |
CN105631472A (zh) * | 2015-12-24 | 2016-06-01 | 东南大学 | 一种基于星座轨迹图的无线设备身份识别方法 |
CN105678273A (zh) * | 2016-01-14 | 2016-06-15 | 上海大学 | 射频指纹识别技术瞬态信号的起始点检测算法 |
CN105656826A (zh) * | 2016-03-18 | 2016-06-08 | 清华大学 | 基于顺序统计量和机器学习的调制识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
Wireless Physical-Layer Identification Modeling and Validation;Wenhao Wang 等;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20160407;第11卷(第9期);第2091-2106页 |
一种基于奇异值分解的射频指纹排序定位算法;李慧 等;《仪器仪表学报》;20131015;第34卷(第10期);第2219-2225页 |
Also Published As
Publication number | Publication date |
---|---|
CN106446877A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446877B (zh) | 一种基于信号幅度排序的射频指纹特征提取和识别方法 | |
Han et al. | GenePrint: Generic and accurate physical-layer identification for UHF RFID tags | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN105162778B (zh) | 基于射频指纹的跨层认证方法 | |
CN105357014B (zh) | 基于差分星座轨迹图的无线设备射频指纹特征提取方法 | |
CN112312457B (zh) | 一种基于复数深度残差网络的通信辐射源个体识别方法 | |
CN102693411B (zh) | 基于射频指纹的无线发射机的识别方法 | |
CN106161297B (zh) | Ofdm系统中基于独立分量分析的抗导频欺骗攻击信道估计和识别方法 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN107368732A (zh) | 一种基于设备物理指纹特征的目标识别定位系统及方法 | |
CN107979842A (zh) | 一种基于双谱特征和深度学习的手机个体识别方法 | |
CN101494508A (zh) | 基于特征循环频率的频谱检测方法 | |
CN105550702B (zh) | 一种基于svm的gnss欺骗式干扰识别方法 | |
CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
CN108718292A (zh) | 一种无线通信物理层认证方法 | |
CN112637834B (zh) | 一种无线通信设备的指纹融合识别方法及装置 | |
CN114760627A (zh) | 一种基于射频指纹与深度学习的无线设备识别方法 | |
CN108173792B (zh) | 基于差分星座轨迹图的无线设备瞬态特征提取与识别方法 | |
CN113869156A (zh) | 一种射频指纹识别方法 | |
CN110289926A (zh) | 基于调制信号循环自相关函数对称峰值的频谱感知方法 | |
CN112822689B (zh) | 一种基于载波频率偏差的射频指纹提取方法 | |
CN104392161B (zh) | 变距条件下的基于音频物理指纹的设备认证 | |
CN202918327U (zh) | 一种数字调制信号自动分类系统 | |
Aminuddin et al. | Securing wireless communication using RF fingerprinting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |