CN107092898B - 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 - Google Patents
一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 Download PDFInfo
- Publication number
- CN107092898B CN107092898B CN201710396747.7A CN201710396747A CN107092898B CN 107092898 B CN107092898 B CN 107092898B CN 201710396747 A CN201710396747 A CN 201710396747A CN 107092898 B CN107092898 B CN 107092898B
- Authority
- CN
- China
- Prior art keywords
- signal
- bispectrum
- radio frequency
- energy
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)
Abstract
本发明公开了一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法,涉及无线通信领域,具体是发送端的某个比特流信号,采用QPSK映射得到信号s(n);经过上变频后,得到调频信号p(n),并输入到功率放大器中输出信号Φ(n),经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入AWGN,接收端经过模数转换处理后得到数字信号r(n),经过下变频后得到基带信号,从基带信号中提取射频指纹特征:双谱能量熵,一阶矩和二阶矩;然后,通过SVM分类器对射频指纹特征进行分类训练和测试,得到测试类别结果;通过将测试类别结果与其实际类别结果做对比,得到分类准确率Pc。本发明通过SVM分类器对射频信号进行有效分类,在低信噪下识别准确率相较于传统方法提升了近20%。
Description
技术领域
本发明涉及无线通信领域,具体是一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法。
背景技术
在无线通信系统中,由无线网络的开放性带来的安全问题不容忽视。
传统的方法主要基于密码机制的安全协议来实现对数据完整性和机密性的保护,以及提供通信双方身份的认证。但是这样的认证信息很容易被恶意用户通过软件仿造,存在着潜在的威胁。考虑到即使是同一厂家生产的同一型号的不同设备,在制造过程中,由于氧化层厚度、掺杂浓度等不同会形成个体差异,而这些个体差异也会在通信信号中有所体现。
无线通信的射频指纹提取和识别技术就是通过分析无线设备的通信信号来提取设备的“射频指纹”,从而进行设备识别。设备识别准确率很大程度上取决于指纹特征的选择,因此需要研究包含在通信信号中的设备指纹特征,以提高设备识别准确率。
现有的射频指纹识别技术中存在低信噪比情况下,设备的识别准确率不高的问题;比如围线积分双谱中矩形积分双谱、圆周积分双谱和轴线积分双谱等,虽然具有高阶谱抑制高斯噪声、保留信号幅度和相位信息的特征,同时处理的方法比较简便而得到广泛应用。但是,围线积分双谱通过选择不同的围线积分路线将二维双谱矩阵转化为一维矩阵的过程中,忽略了很多双谱矩阵固有的特征,导致在低信噪比下识别准确率并不理想。
发明内容
本发明针对现有的射频指纹识别技术中,存在的低信噪比条件下识别准确率不高的问题,提出了一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法;
具体步骤如下:
步骤一、针对OFDM系统发送端的某个比特流信号,采用QPSK映射得到QPSK信号s(n);
n=0,1,2…N-1,N为QPSK信号s(n)的长度;
步骤二、将QPSK信号s(n)经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号Φ(n);
调频信号p(n)计算如下:
p(n)=s(n)ej2πnfT
功率放大器采用泰勒多项式模型,功率放大器输出信号为:
Ls为泰勒多项式的阶数,{al}为多项式系数。
步骤三、将输出信号Φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入高斯白噪声,接收端经过模数转换处理后得到数字信号r(n);
r(n)=Φ(n)+υ(n)
υ(n)为高斯白噪声;
步骤四、将数字信号r(n)经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
射频的指纹特征包括:双谱能量熵,一阶矩和二阶矩。
具体包括:
步骤401、将数字信号r(n)经过下变频后得到基带信号y(n);
y(n)=r(n)e-j2πnfT
步骤402、计算基带信号y(n)的三阶累积量c3y(τ1,τ2),并利用三阶累积量求出信号双谱B(ω1,ω2);
三阶累积量计算如下:
c3y(τ1,τ2)=E{y*(n)y(n+τ1)y(n+τ2)}
*代表复共轭,τ1,τ2≥0代表时间的差值。
对三阶累积量c3y(τ1,τ2)进行二维离散傅里叶变换得到基带信号双谱B(ω1,ω2):
步骤403、利用基带信号双谱B(ω1,ω2)求出射频指纹特征——双谱能量熵;
首先,利用基带信号双谱B(ω1,ω2)计算双谱能量矩阵E中点(i,j)的双谱能量值Eij;
计算如下:
其中i,j=1,2…Nfft。
然后,计算双谱能量矩阵E中各点能量之和,并计算点(i,j)的能量在总能量中的占比pij;
最后,利用每个点的能量在总能量中的占比pij计算双谱能量熵En;
如下:
步骤404、将双谱矩阵B转化为ζ-bit灰度图像矩阵G;
步骤405、分别求出灰度图像矩阵G的一阶矩μ和二阶矩ξ;
其中NB=Nfft×Nfft代表灰度图像矩阵G中点的总数。
步骤五、通过SVM分类器对射频指纹特征进行分类训练和测试,得到测试类别结果。
具体为:
步骤501、将发送端提取所有比特流的射频指纹特征组成特征向量[En,μ,ξ],划分成样本特征向量集合D和测试特征向量集合D′。
步骤502、用样本特征向量集合D中的特征向量训练SVM分类器;
步骤503、将测试特征向量集合D中的特征向量输入到训练好的SVM分类器中,得到测试类别结果。
步骤六、将测试类别结果与其实际类别结果做对比,得到分类准确率Pc。
本发明的优点在于:
1)、一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法,通过SVM分类器能够对射频信号进行有效分类。
2)、一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法,在低信噪情况下的识别准确率相较于传统的围线积分双谱特征提升了近20%。
附图说明
图1是本发明基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法信号发送和接收示意图;
图2是本发明基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法的原理图;
图3是本发明基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法的流程图;
图4是本发明实施例中选取10dB的SNR时,3种设备的射频指纹特征在特征空间的投影图;
图5是本发明实施例中分类准确度与SNR的关系比较图。
具体实施例
下面结合附图对本发明的具体实施方法进行详细说明。
一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别技术(A RadioFrequency Fingerprinting identification method based on bispectrum energyentropy and color moments of QPSK modulation signal),结合双谱能量熵,以及双谱矩阵转化为二维灰度数字图像后得到图像一阶矩和二阶矩,组成3维指纹特征进行设备识别,应用于QPSK调制信号的射频指纹识别技术,有效的提高了低信噪比下射频设备的识别准确率,从而保证通信安全。
如图1所示,信号从发送端到接收端的处理流程为:
发送端的某个比特流信号,采用QPSK映射得到QPSK信号s(n);经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号Φ(n);功率放大器是发送端最末端的一个元件,其非线性特征也是发送设备的主要标识特征;本发明从不同功率放大器的非线性特征的差异在接收端接收的信号中的不同体现入手,选择和提取射频指纹特征,进行设备识别。通过将输出信号Φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入AWGN,接收端经过模数转换处理后得到数字信号r(n),经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
然后,通过SVM分类器对射频指纹特征进行分类训练和测试,得到测试类别结果。具体过程如图2所示,通过将测试类别结果与其实际类别结果做对比,得到分类准确率Pc。
如图3所,具体步骤如下:
步骤一、针对OFDM系统发送端的某个比特流信号,采用QPSK映射得到QPSK信号s(n);
n=0,1,2…N-1,N为QPSK信号s(n)的长度;
步骤二、将QPSK信号s(n)经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号Φ(n);
调频信号p(n)计算如下:
p(n)=s(n)ej2πnfT
功率放大器采用泰勒多项式模型,功率放大器输出信号为:
Ls为泰勒多项式的阶数,{al}为多项式系数。
步骤三、将输出信号Φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入高斯白噪声,接收端经过模数转换处理后得到数字信号r(n);
r(n)=Φ(n)+υ(n)
υ(n)为高斯白噪声;
步骤四、将数字信号r(n)经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
射频的指纹特征包括:双谱能量熵,一阶矩和二阶矩。
具体包括:
步骤401、将数字信号r(n)经过下变频后得到基带信号y(n);
y(n)=r(n)e-j2πnfT
步骤402、计算基带信号y(n)的三阶累积量c3y(τ1,τ2),并利用三阶累积量求出信号双谱B(ω1,ω2);
三阶累积量计算如下:
c3y(τ1,τ2)=E{y*(n)y(n+τ1)y(n+τ2)}
*代表复共轭,τ1,τ2≥0代表时间的差值。
对三阶累积量c3y(τ1,τ2)进行二维离散傅里叶变换得到基带信号双谱B(ω1,ω2):
步骤403、利用基带信号双谱B(ω1,ω2)求出射频指纹特征——双谱能量熵;
首先,双谱B(ω1,ω2)的能量矩阵用E表示,利用基带信号双谱B(ω1,ω2)计算双谱能量矩阵E中点(i,j)的双谱能量值Eij;
双谱的;
计算如下:
其中i,j=1,2…Nfft。
然后,计算双谱能量矩阵E中各点能量之和,并计算点(i,j)的能量在总能量中的占比pij;
最后,利用每个点的能量在总能量中的占比pij计算双谱能量熵En;
为了衡量双谱的分布均匀程度,本发明采用能量熵来表示双谱能量的分布情况。如果能量在二维平面均匀分布,那么其能量熵值最大。反之,若能量主要集中在某些区域内,那么其能量熵值较小。
如下:
步骤404、将双谱矩阵B转化为ζ-bit灰度图像矩阵G;
双谱可以看作一个包含了灰度强度信息的二维灰度数字图像,以ζ-bit灰度图像为例,通过下式将双谱矩阵转化为灰度图像矩阵:
步骤405、分别求出灰度图像矩阵G的一阶矩μ和二阶矩ξ;
本发明通过提取灰度图像的一阶和二阶颜色矩来描述两个图像灰度强度信息分布情况,一阶矩μ衡量灰度图像的平均强度,二阶矩ξ代表图像灰度强度的标准偏差。
其中NB=Nfft×Nfft代表灰度图像矩阵G中点的总数。
步骤五、通过SVM分类器对射频指纹特征进行分类训练和测试,得到测试类别结果。
具体为:
步骤501、将发送端提取所有比特流的射频指纹特征组成特征向量[En,μ,ξ],划分成样本特征向量集合D和测试特征向量集合D′。
步骤502、用样本特征向量集合D中的特征向量训练SVM分类器;
步骤503、将测试特征向量集合D中的特征向量输入到训练好的SVM分类器中,得到测试类别结果。
步骤六、将测试类别结果与其实际类别结果做对比,得到分类准确率Pc。
本发明将双谱的能量熵和颜色矩结合作为设备的射频指纹特征[En,μ,ξ]。功率放大器泰勒多项式模型中泰勒多项式阶数Ls=3,并取三组{al}作为3种设备功率放大器模型多项式系数。如图4所示,在信噪比SNR=10dB时,3种设备的射频指纹特征在特征空间的投影图中可知,该射频指纹特征能够较好地对不同设备进行区分。
在提取信号双谱能量熵和颜色矩的基础上,应用SVM分类器实现设备识别,在不同SNR下通过训练和检测设备,其识别情况如图5所示,由图可以发现在低信噪比下,设备正确识别率Pc可以达到超过80%,并随着SNR的增加,Pc不断上升,在20dB时达到超过95%的正确识别率。
Claims (3)
1.一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法,其特征在于,具体步骤如下:
步骤一、针对OFDM系统发送端的某个比特流信号,采用QPSK映射得到QPSK信号s(n);
n=0,1,2…N-1,N为QPSK信号s(n)的长度;
步骤二、将QPSK信号s(n)经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号Φ(n);
调频信号p(n)计算如下:
p(n)=s(n)ej2πnfT
功率放大器输出信号为:
Ls为泰勒多项式的阶数,{al}为多项式系数;
步骤三、将输出信号Φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入高斯白噪声,接收端经过模数转换处理后得到数字信号r(n);
r(n)=Φ(n)+υ(n)
υ(n)为高斯白噪声;
步骤四、将数字信号r(n)经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
射频的指纹特征包括:双谱能量熵,一阶矩和二阶矩;
具体为:
步骤401、将数字信号r(n)经过下变频后得到基带信号y(n);
y(n)=r(n)e-j2πnfT
步骤402、计算基带信号y(n)的三阶累积量c3y(τ1,τ2),并利用三阶累积量求出信号双谱B(ω1,ω2);
三阶累积量计算如下:c3y(τ1,τ2)=E{y*(n)y(n+τ1)y(n+τ2)}
*代表复共轭,τ1,τ2≥0代表时间的差值;
对三阶累积量c3y(τ1,τ2)进行二维离散傅里叶变换得到基带信号双谱B(ω1,ω2):
步骤403、利用基带信号双谱B(ω1,ω2)求出射频指纹特征——双谱能量熵;
首先,利用基带信号双谱B(ω1,ω2)计算双谱能量矩阵E中点(i,j)的双谱能量值Eij;
计算如下:
其中i,j=1,2…Nfft;
然后,计算双谱能量矩阵E中各点能量之和,并计算点(i,j)的能量在总能量中的占比pij;
最后,利用每个点的能量在总能量中的占比pij计算双谱能量熵En;
如下:
步骤404、将双谱矩阵B转化为ζ-bit灰度图像矩阵G;
步骤405、分别求出灰度图像矩阵G的一阶矩μ和二阶矩ξ;
其中NB=Nfft×Nfft代表灰度图像矩阵G中点的总数;
步骤五、通过SVM分类器对射频指纹特征进行分类训练和测试,得到测试类别结果;
步骤六、将测试类别结果与其实际类别结果做对比,得到分类准确率Pc。
2.如权利要求1所述的一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法,其特征在于:所述的步骤二中功率放大器采用泰勒多项式模型。
3.如权利要求1所述的一种基于QPSK信号双谱能量熵和颜色矩的射频指纹识别方法,其特征在于:所述的步骤五具体为:
步骤501、将发送端提取所有比特流的射频指纹特征组成特征向量[En,μ,ξ],划分成样本特征向量集合D和测试特征向量集合D′;
步骤502、用样本特征向量集合D中的特征向量训练SVM分类器;
步骤503、将测试特征向量集合D′中的特征向量输入到训练好的SVM分类器中,得到测试类别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710396747.7A CN107092898B (zh) | 2017-05-31 | 2017-05-31 | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710396747.7A CN107092898B (zh) | 2017-05-31 | 2017-05-31 | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107092898A CN107092898A (zh) | 2017-08-25 |
CN107092898B true CN107092898B (zh) | 2020-09-04 |
Family
ID=59638977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710396747.7A Active CN107092898B (zh) | 2017-05-31 | 2017-05-31 | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092898B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109167641A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 窄带信号功率放大器指纹特征提取方法及装置 |
CN110061947B (zh) * | 2019-03-28 | 2021-09-07 | 东南大学 | 一种基于ofdm前导码的抗多径干扰射频指纹提取方法 |
CN111191703A (zh) * | 2019-12-24 | 2020-05-22 | 北京百卓网络技术有限公司 | 一种无线局域网络流量分析的方法和系统 |
CN111262606B (zh) * | 2020-01-21 | 2022-01-07 | 东南大学 | 基于倒谱的信道特征和设备物理指纹的分离方法及装置 |
CN112689288A (zh) * | 2020-12-18 | 2021-04-20 | 桂林电子科技大学 | 一种基于wann的射频指纹提取和识别方法 |
CN114615666B (zh) * | 2022-03-11 | 2023-06-13 | 四川大学 | 一种自适应多变干扰域的通用射频指纹提取与识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184264A (zh) * | 2015-09-14 | 2015-12-23 | 杭州电子科技大学 | 基于Wigner对角切片谱的射频指纹特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100563225C (zh) * | 2005-05-27 | 2009-11-25 | 华为技术有限公司 | 对基带数字信号进行预失真处理的通用装置 |
CN104065597A (zh) * | 2014-07-04 | 2014-09-24 | 哈尔滨工程大学 | 一种基于小波能量分布熵的bpsk/qpsk信号识别方法 |
-
2017
- 2017-05-31 CN CN201710396747.7A patent/CN107092898B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184264A (zh) * | 2015-09-14 | 2015-12-23 | 杭州电子科技大学 | 基于Wigner对角切片谱的射频指纹特征提取方法 |
Non-Patent Citations (3)
Title |
---|
Specific Emitter Identification via Hilbert–Huang Transform in Single-Hop and Relaying Scenarios;Jingwen Zhang et al;《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》;20160630;第11卷(第6期);第二-五节 * |
辐射源信号指纹识别技术;徐扬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;第2016年卷(第3期);I136-446 * |
雷达信号细微特征分析与识别;蒋鹏;《中国博士学位论文数据库 信息科技辑》;20130115;第2013年卷(第1期);I136-195 * |
Also Published As
Publication number | Publication date |
---|---|
CN107092898A (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092898B (zh) | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN111163460B (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
CN112398553A (zh) | 一种基于差分等势星球图的通信辐射源个体识别方法 | |
CN110061947B (zh) | 一种基于ofdm前导码的抗多径干扰射频指纹提取方法 | |
CN109617845A (zh) | 一种基于深度学习的无线通信解调器的设计及解调方法 | |
Yang et al. | Multimodal sparse representation-based classification scheme for RF fingerprinting | |
Van Huynh et al. | Transfer learning for signal detection in wireless networks | |
Scholl | Classification of radio signals and hf transmission modes with deep learning | |
Li et al. | Radio frequency fingerprinting exploiting non-linear memory effect | |
Mattei et al. | Feature learning for enhanced security in the Internet of Things | |
CN110087233B (zh) | 一种基于射频指纹的无人机身份认证方法 | |
CN109076038B (zh) | 用于对频带中包含的信号的参数进行估计的方法 | |
CN108737301B (zh) | 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 | |
Zhang et al. | Data augmentation aided few-shot learning for specific emitter identification | |
CN105743630B (zh) | 一种单载波通信系统的物理层参量分离与个体识别方法 | |
WO2020243042A1 (en) | Rf aware deep learning authentication solution | |
CN106911607B (zh) | 一种ofdm系统中同相/正交不平衡的估计方法及其模块 | |
CN111222430A (zh) | 一种基于人工智能的无人机识别方法及系统 | |
CN108494711B (zh) | 一种基于kl散度的通信信号图域特征提取方法 | |
Wang et al. | A radio frequency fingerprinting identification method based on energy entropy and color moments of the bispectrum | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
Kokalj-Filipovic et al. | Practical training for rf fingerprinting of commercial transmitters at the edge | |
Yang et al. | Identification of wireless communication signals based on cumulants and wigner-vile distribution | |
CN113037726B (zh) | 基于Kronecker积参数分离的宽带通信设备射频指纹认证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |