CN107947830B - 一种可抵抗多径干扰的射频指纹识别方法 - Google Patents

Abstract

本发明属于无线通信技术领域，具体的说是涉及一种可抵抗多径干扰的射频指纹识别方法。本发明针对各辐射源射频端载频的微弱差异性，从前导码中利用积分法和包络提取法分别提取出各辐射源的两种射频指纹特征进而利用K近邻分类法完成对各辐射源的识别和分类。相对于传统的射频指纹识别技术没有考虑无线信道的多径干扰影响，导致传统技术在多径信道条件下性能下降的问题，以前导码为研究对象的射频指纹识别技术利用伪随机序列的自相关性在接收端对主径信号进行提取，并对解扩后的信号利用快速傅里叶变换进行功率归一化，在减轻多径干扰的同时避免了随机衰落对电台射频指纹的污染。

Description

一种可抵抗多径干扰的射频指纹识别方法

技术领域

本发明属于无线通信技术领域，具体的说是涉及一种利用通信系统前导码可抵抗多径干扰的射频指纹识别方法。

背景技术

随着无线通信的广泛应用，通信信息安全成为了一个重要研究课题。现有的安全通信技术更多地从协议层进行设计，网络端通过对用户端发送的某种预先约定好的独特身份号码进行验证进而对用户端的合法性进行确认，但是，一旦用户的身份信息泄露，不法分子可以利用自用电台模仿合法用户接入网络进而进行犯罪活动。

为了避免这种情况，考虑到不法分子采用的通信电台和合法用户的通信电台不同，而任意两台通信辐射源在制造过程中均会由于器件的容差效应导致其硬件性能并非完全一样，这种射频端硬件电气特性的不同会导致各个电台发射的信号具有独特的细微特征，可通过对电台这种独特细微特征的提取完成对不同电台的识别和分类，并进而达到对合法和仿冒非法用户区分的目的，这种直接从通信辐射源发射的射频波形提取电台的独特指纹特征进而完成电台识别的技术被称为射频指纹识别。

典型的射频指纹识别技术包括：双谱变换技术和时频变换技术等，其中双谱变换技术的复杂度较低，但易受交叉项影响且识别率不高，时频变换技术如希尔伯特黄氏变换技术(HHT： Hilbert Huang Transform)由于将待分析对象的信号成分视作随时间不断变化的，更适合对非线性信号进行分析并能较好展示出信号的细微特征，因而能获取更高的估计精度，但计算复杂度较高。由于传统射频指纹识别技术往往是在加性高斯白噪声信道(AWGN：Additive White Gaussian Noise)条件下进行分析和优化，未考虑实际无线信道中的多径干扰效应，因而在多径信道条件下，其性能受限。

发明内容

本发明的目的是，针对射频指纹识别领域中，现有技术由于未考虑多径干扰影响，导致在多径信道下性能下降的问题，提出了利用通信系统中前导码的自相关特性，对接收信号进行解扩提取出主径信号，结合特征提取过程中的积分(积分法)和三次多项式拟合(包络法) 减轻延时径的干扰，之后根据FFT变换后直流部分的功率幅度对解扩信号进行功率归一化，减轻随机衰落对信号的影响，同时本发明具有计算复杂度小，对噪声不敏感的特性。

本发明的技术方案是：

一种可抵抗多径干扰的射频指纹识别方法，该方法以电台发射的前导码为处理对象，其特征在于，包括以下步骤：

S1、利用本地伪随机序列(PN：Pseudo Noise)和接收信号滑动相乘，得到主径的相关峰，并根据主径相关峰所对应时延对信号完成解扩，提取出主径信号；

S2、对解扩后的信号进行FFT变换，得到直流部分信号的幅度，利用此幅度值完成信号的功率归一化；

S3、采用积分法特征提取，对归一化后的信号进行积分，并对得到的积分曲线按照最小二乘法准则进行直线拟合，将直线拟合得到的直线斜率作为电台第一特征值；

S4、采用包络法特征提取，对归一化后的信号先按照时间常数进行包络检波得到信号的粗包络，然后采用三次多项式拟合方法对粗包络进行曲线拟合得到精包络，在完成包络初始值归一化后提取精包络的最终值作为电台第二特征值；

S5、利用K近邻分类器对信号特征值进行分类。

本发明总的技术方案，在单发单收的通信系统中，针对各辐射源射频端载频的微弱差异性，从前导码中利用积分法和包络提取法分别提取出各辐射源的两种射频指纹特征进而利用 K近邻分类法完成对各辐射源的识别和分类。相对于传统的射频指纹识别技术没有考虑无线信道的多径干扰影响，导致传统技术在多径信道条件下性能下降的问题，以前导码为研究对象的射频指纹识别技术利用伪随机序列的自相关性在接收端对主径信号进行提取，并对解扩后的信号利用快速傅里叶变换(FFT：Fast Fourier Transform)进行功率归一化，在减轻多径干扰的同时避免了随机衰落对电台射频指纹的污染。

进一步的，所述步骤S1的具体方法为：

设定相同制式相同型号的不同通信辐射源发射一段相同完整的前导码后的射频信号S_i(t) 为：

其中，S_i(t)代表第i个电台的所发射的前导码复信号，d(t)为一段完整前导码信号的复数表示形式，并采用二进制相移键控的方式进行符号调制，f为标准的载频，△f_i为第i个电台和标准载频之间的差异；

则经过多径信道到后到达接收端处理机天线部分的信号R_i(t)为：

其中，R_i(t)为到达接收端处理机的信号，a₀、a₁、a₂和a₃为各径的随机衰落，服从瑞利衰落，t₀、t₁、t₂和t₃为各条径的随机时延；

利用标准本地振荡源对信号进行下变频，得到基带信号B_i(t)

利用本地伪随机序列与基带信号进行滑动相乘，获得主径相关峰：

其中，r(t)为以本地PN序列在时间轴上滑动长度t为变量的相关曲线，PN(t)为一段完整的本地伪随机序列，length为一段完整PN序列的持续时间长度；

按照对应的本地伪随机序列时延，将时延后的本地PN序列和接收信号进行相乘，完成信号的解扩，得到解扩后一段完整的前导码信号：

D_i(t)＝B_i(t)×PN(t-t₀)

其中，D_i(t)为解扩后的信号，u(t)为单位阶跃信号；

将B_i(t)×PN(t-t₀)展开可以得到：

其中，d₁(t)、d₂(t)和d₃(t)分别为幅度为d₁、d₂和d₃的双极性随机序列，d₁、d₂和d₃均服从瑞利分布。

进一步的，所述步骤S2的具体方法为：

对解扩后的信号进行傅里叶变换，得到频域信号：

其中，为主径信号的傅里叶变换，其频率成分近乎仅含直流分量，和为三条延时径的傅里叶变换，由于d₁(t)、d₂(t)和d₃(t)为伪随机双极性序列，因此其信号频带宽度远远大于主径信号，并且在直流部份其功率谱密度相对于主径信号可视为噪声；

利用解扩后信号在直流部分的功率谱密度D_i(0)，对解扩后的信号进行功率归一化，减轻随机衰落对射频指纹的影响，可得到功率归一化后的信号N_i(t)；

其中，N_i(t)为功率归一化后的信号，归一化后主径信号的随机幅度被几乎消除， 和仍为幅度服从瑞利分布的双极性伪随机序列。

进一步的，所述步骤S3的具体方法为：

利用积分法对电台特征进行提取，首先对信号进行积分得到积分曲线I_i(t)：

利用最小二乘法的直线拟合准则，对I_i(t)进行直线拟合，得到拟合直线P_i(t)：

P_i(t)＝(kt+b)×(u(t-t₀)-u(t-t₀-length))

其中，u(t)为阶跃信号，k和b分别为拟合直线的斜率和截距，其计算方法为：

其中，X_m等于m，T为采样时间；

将得到的拟合斜率k作为电台的射频指纹的第一种特征值。

进一步的，所述步骤S4的具体方法为：

利用包络法对电台特征进行提取，首先利用包络检波法提取出电台的粗包络E_1i(t)：

E_1i(t)＝ΕD₁(N_i(t))

其中，ΕD₁(N_i(t))代表对归一化后的信号N_i(t)进行包络检波，其检波具体方法如下：

其中，t代表当前时刻，△t代表一段微小的时间间隔，t+△t代表紧邻当前时刻的下一时刻，E_1i(t)代表当前时刻的包络取值，E_1i(t+△t)代表下一时刻的包络取值，N_i(t+△t)代表下一时刻被检波信号的电平值，rec代表检波的时间常数，需要根据信号状况进行具体调整；

利用三次多项式曲线拟合的方法，按照最小二乘法准则，对检波后得到的信号粗包络进行三次曲线拟合，得到拟合曲线E_2i(t)：

E_2i(t)＝ΕD₂(E_1i(t))

其中，ΕD₂(E_1i(t))代表对包络检波后得到的曲线进行三次多项式拟合，具体拟合方式如下：

构造三次曲线E_2i(nT)＝β₃(nT)³+β₂(nT)²+β₁nT+β₀；

构造最小二乘法目标函数求取β₃、β₂、β₁和β₀的具体值使得Q最小；

求取满足方程组的β₃、β₂、β₁和β₀的取值；

得到三次多项式拟合曲线提取精包络在前导码结束时刻的取值作为电台的射频指纹的第二种特征值。

进一步的，所述步骤S5的具体方法为：

利用得到的两种电台射频指纹特征值，通过K近邻分类方法对两种特征值分别进行分类，进而完成电台识别，具体包括：

S51、将M个已知标签的四种电台样本信号的第一种特征值feature₁或第二种特征值 feature₂附带着对应的电台标签放入训练库中；

S52、将提取出的未知电台样本信号的feature₁或feature₂与训练库中所有附带电台标签的feature₁或feature₂一一进行欧氏距离计算，得到大小为M的欧式距离数组并按照欧氏距离的大小对数组进行升序排列得到数组Ο：

Ο＝{[D(1),lable(1))],[D(2),lable(2)],…,[D(M),lable(M)]}

其中，D(k)代表第k小的欧式距离，lable(k)代表对应的已知电台标签号；

S53、从欧式距离数组Ο中，提取前K个最小距离数据所对应的电台标签并组成集合P：

P＝{lable(1),lable(2),…,lable(K)}

统计P中四种电台标签各自的数量，选取标签数量最多的电台作为未知电台的归类结果。

本发明的有益效果是：计算复杂度低，能够有效减轻多径干扰对射频指纹识别的影响，并能在一定程度上提升信噪比增益；当各电台之间具有一定载频差异的情况下，能够较好地完成电台射频指纹的提取和分类。

附图说明

图1是以通信系统前导码为对象，利用积分法和包络法提取出电台射频指纹并进而完成电台分类识别的系统框图；

图2为以通信系统的前导码为对象，利用积分法提取出电台特征过程中得到的四种电台的积分曲线图；

图3为以通信系统的前导码为对象，利用包络法提取出电台特征过程中得到的四种电台的精包络图；

图4为随着信噪比变化，两种特征提取法的识别性能的变化曲线。

具体实施方式

下面结合附图和详细描述本发明的技术方案。

为更好地对本发明进行说明，先介绍本发明技术方案所用到的术语和通信辐射源射频指纹识别的概念。

通信辐射源射频指纹识别：由于在通信辐射源制造过程当中器件所存在的容差特性，即使相同型号相同制式的电台在硬件电气特性上也会有所差异，这造成不同电台在发送通信信号时，信号波形中存在可以反映电台特征的独特信息，这种独特信息叫做射频指纹。通过将这种射频指纹以某种方式提取出来并和以往的历史数据进行比对并进而从物理层上对电台进行识别的过程叫做通信辐射源射频指纹识别。

本发明的具体实施方案如图1所示的系统图，其具体实施步骤如下：

步骤1：利用标准本地振荡源对接收信号进行下变频，得到基带信号

步骤2：利用本地伪随机序列与基带信号进行滑动相乘，寻找主径相关峰，并根据相关峰的时延对信号进行解扩。

步骤3：对解扩后的信号进行功率归一化。

步骤4(1)：利用积分法对归一化后的信号进行特征提取

I.首先，对功率归一化后的信号进行积分得到积分曲线

II.然后，利用最小二乘法的曲线拟合准则，对积分曲线进行直线拟合，得到

拟合直线

III.最后，将得到的拟合直线的斜率k作为电台的第一种射频指纹特征值；

步骤4(2)：利用包络法对归一化后的信号进行特征提取

I.首先，利用包络检波法提取出电台的粗包络

II.然后，利用三次多项式拟合的方法，按照最小二乘法准则，对检波后得到

的信号粗包络进行三次曲线拟合，得到拟合曲线

III.最后，提取三次多项式拟合曲线在前导码结束时刻的取值作为电台的第

二种射频指纹特征值首先，利用包络检波法提取出电台的粗包络；

步骤5：将所有已知标签的四种电台样本信号的特征值一或特征值二附带着对应的电台标签放入训练库中。

步骤6：将获得的未知电台样本信号的第一种特征值或第二种特征值与训练库中所有附带电台标签的第一种特征值或第二种特征值一一进行欧氏距离计算，得到大小为训练样本总数的欧式距离数组并按照欧氏距离的大小对数组元素进行升序排列。

步骤7：从升序排列的欧式距离数组中，提取前个最小距离数据所对应的电台标签并组成一个大的集合，统计该集合中四种电台标签各自的数量，选取标签数量最多的电台作为未知电台的分类。

图2为以通信系统的前导码为对象，利用积分法提取出电台特征过程中得到的四种电台的积分曲线图。

图3为以通信系统的前导码为对象，利用包络法提取出电台特征过程中得到的四种电台的精包络图。

图4为随着信噪比变化，两种特征提取法的识别性能的变化曲线。

Claims (6)

1.一种可抵抗多径干扰的射频指纹识别方法，该方法以电台发射的前导码为处理对象，其特征在于，包括以下步骤：

S1、利用本地伪随机序列和接收信号滑动相乘，得到主径的相关峰，并根据主径相关峰所对应时延对信号完成解扩，提取出主径信号；

S2、对解扩后的主径信号进行FFT变换，得到直流部分信号的幅度，利用此幅度值完成主径信号的功率归一化；

S3、采用积分法特征提取，对归一化后的信号进行积分，并对得到的积分曲线按照最小二乘法准则进行直线拟合，将直线拟合得到的直线斜率作为电台的射频指纹的第一特征值；

S4、采用包络法特征提取，对归一化后的信号先按照时间常数进行包络检波得到信号的粗包络，然后采用三次多项式拟合方法对粗包络进行曲线拟合得到精包络，在完成包络初始值归一化后提取精包络的最终值作为电台的射频指纹的第二特征值；

S5、利用K近邻分类器对电台的射频指纹的第一特征值和电台的射频指纹的第二特征值分别进行归类，进而完成电台的识别。

2.根据权利要求1所述的一种可抵抗多径干扰的射频指纹识别方法，其特征在于，所述步骤S1的具体方法为：

设定相同制式相同型号的不同通信辐射源发射一段相同的前导码后的射频信号S_i(t)为：

其中，S_i(t)代表第i个电台的所发射的前导码复信号，d(t)为一段完整前导码信号的复数表示形式，并采用二进制相移键控的方式进行符号调制，f为标准的载频，△f_i为第i个电台和标准载频之间的差异；

则经过多径信道到后到达接收端处理机天线部分的信号R_i(t)为：

其中，R_i(t)为到达接收端处理机的信号，a₀、a₁、a₂和a₃为各径的随机衰落，服从瑞利衰落，t₀、t₁、t₂和t₃为各条径的随机时延；

利用标准本地振荡源对信号进行下变频，得到基带信号B_i(t)

利用本地伪随机序列与基带信号进行滑动相乘，获得主径相关峰：

其中，r(t)为以本地PN序列在时间轴上滑动长度t为变量的相关曲线，PN(t)为一段完整的本地伪随机序列，length为一段完整PN序列的持续时间长度；

按照对应的本地伪随机序列时延，将时延后的本地PN序列和接收信号进行相乘，完成信号的解扩，得到解扩后一段完整的前导码信号：

D_i(t)＝B_i(t)×PN(t-t₀)；

其中，D_i(t)为解扩后的信号，u(t)为单位阶跃信号；

将B_i(t)×PN(t-t₀)展开可以得到：

其中，d₁(t)、d₂(t)和d₃(t)分别为幅度为d₁、d₂和d₃的双极性随机序列，d₁、d₂和d₃均服从瑞利分布。

3.根据权利要求2所述的一种可抵抗多径干扰的射频指纹识别方法，其特征在于，所述步骤S2的具体方法为：

对解扩后的信号进行傅里叶变换，得到频域信号：

其中，为主径信号的傅里叶变换，其频率成分近乎仅含直流分量，和为三条延时径的傅里叶变换，由于d₁(t)、d₂(t)和d₃(t)为伪随机双极性序列，因此其信号频带宽度远远大于主径信号，并且在直流部份其功率谱密度相对于主径信号可视为噪声；

利用解扩后信号在直流部分的功率谱密度D_i(0)，对解扩后的信号进行功率归一化，减轻随机衰落对射频指纹的影响，可得到功率归一化后的信号N_i(t)；

其中，N_i(t)为功率归一化后的信号，归一化后主径信号的随机幅度被几乎消除， 和仍为幅度服从瑞利分布的双极性伪随机序列。

4.根据权利要求3所述的一种可抵抗多径干扰的射频指纹识别方法，其特征在于，所述步骤S3的具体方法为：

利用积分法对电台特征进行提取，首先对信号进行积分得到积分曲线I_i(t)：

利用最小二乘法的直线拟合准则，对I_i(t)进行直线拟合，得到拟合直线P_i(t)：

P_i(t)＝(kt+b)×(u(t-t₀)-u(t-t₀-length))；

其中，u(t)为阶跃信号，k和b分别为拟合直线的斜率和截距，其计算方法为：

其中，X_m等于m，T为采样时间；

将得到的拟合斜率k作为电台的射频指纹的第一种特征值。

5.根据权利要求4所述的一种可抵抗多径干扰的射频指纹识别方法，其特征在于，所述步骤S4的具体方法为：

利用包络法对电台特征进行提取，首先利用包络检波法提取出电台的粗包络E_1i(t)：

E_1i(t)＝ΕD₁(N_i(t))；

其中，ΕD₁(N_i(t))代表对归一化后的信号N_i(t)进行包络检波，其检波具体方法如下：

其中，t代表当前时刻，△t代表一段微小的时间间隔，t+△t代表紧邻当前时刻的下一时刻，E_1i(t)代表当前时刻的包络取值，E_1i(t+△t)代表下一时刻的包络取值，N_i(t+△t)代表下一时刻被检波信号的电平值，rec代表检波的时间常数，需要根据信号状况进行具体调整；

利用三次多项式曲线拟合的方法，按照最小二乘法准则，对检波后得到的信号粗包络进行三次曲线拟合，得到拟合曲线E_2i(t)：

E_2i(t)＝ΕD₂(E_1i(t))；

其中，ΕD₂(E_1i(t))代表对包络检波后得到的曲线进行三次多项式拟合，具体拟合方式如下：

构造三次曲线E_2i(nT)＝β₃(nT)³+β₂(nT)²+β₁nT+β₀；

构造最小二乘法目标函数求取β₃、β₂、β₁和β₀的具体值使得Q最小；

求取满足方程组的β₃、β₂、β₁和β₀的取值；

得到三次多项式拟合曲线E_2i(t)＝β₃t³+β₂t²+β₁t+β₀，提取精包络在前导码结束时刻的取值作为电台的射频指纹的第二种特征值。

6.根据权利要求5所述的一种可抵抗多径干扰的射频指纹识别方法，其特征在于，所述步骤S5的具体方法为：

利用得到的两种电台射频指纹特征值，通过K近邻分类方法对两种特征值分别进行分类，进而完成电台识别，具体包括：

S51、将M个已知标签的四种电台样本信号的第一种特征值feature₁或第二种特征值feature₂附带着对应的电台标签放入训练库中；

S52、将提取出的未知电台样本信号的feature₁或feature₂与训练库中所有附带电台标签的feature₁或feature₂一一进行欧氏距离计算，得到大小为M的欧式距离数组并按照欧氏距离的大小对数组进行升序排列得到数组Ο：

Ο＝{[D(1),lable(1))],[D(2),lable(2)],…,[D(M),lable(M)]}；

其中，D(k)代表第k小的欧式距离，lable(k)代表对应的已知电台标签号；

S53、从欧式距离数组Ο中，提取前K个最小距离数据所对应的电台标签并组成集合P：

P＝{lable(1),lable(2),…,lable(K)}；

统计P中四种电台标签各自的数量，选取标签数量最多的电台作为未知电台的归类结果。