CN108960138A - 一种基于卷积神经网络的设备认证特征识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的设备认证特征识别方法，包括以下步骤：S1.识别平台对合法无线设备和非法无线设备进行射频指纹信号采集；S2.识别平台对对原始射频指纹信号样本集进行特征生成；S3.识别平台对生成的射频指纹特征样本集进行划分，得到训练集和测试集；S4.识别平台利用识别算法生成分类识别器，并根据训练集和测试集进行训练和测试，直至分类识别器满足检测概率；S5.识别平台利用检测率达标的分类识别器，对未知身份信息的无线发射设备，以实现合法性身份判断。本发明克服了人工选取射频指纹特征单一和特征选取困难的问题，利用卷积神经网络自动提取指纹特征，再使用识别算法，从而提高了对无线发射设备的身份识别率。

Description

一种基于卷积神经网络的设备认证特征识别方法

技术领域

本发明涉及无线通信设备的识别技术，特别是涉及一种基于卷积神经网络的设备认证特征识别方法。

背景技术

随着物联网的飞速发展，越来越多的无线微型终端设备得到广泛的使用，比如射频标签，和无线传感器，其可以提供快捷的计算与通信网络。同时随着边缘计算的快速发展，物联网中心节点将会作为，边缘计算节点，作为小型的数据中心，微云中心，合理的调度，管理控制，各类物联网无线设备。在边缘计算节点，与各个无线设备的通信网络中，将会出现一系列的被攻击方式，比如克隆节点攻击，他们会对边缘计算节点发起，DDos攻击，导致物联网网络的瘫痪。面对这种计算资源不对称的场景，如何，防止恶意无线设备对边缘计算节点进行攻击，是亟待解决的问题。

射频指纹识别技术是根据无线设备的射频指纹信号识别以确认无线设备，实现无线设备的身份认证。该技术是利用各个无线设备的硬件不同，比如印制电路板走线，集成电路内部元件与走线的不同，天线等无线发射模块的所有构成部分会存在电子元器件容差。无线发射模块的电子元器件容差效应是产生射频指纹的主要原因。由于任何两个无线设备的硬件都存在差异，并且难以克隆，因此通过射频指纹对电子元件进行唯一性识别是可行的。以往的射频指纹特征通常需要由人为手工来选取(幅度，相位，功率，脉宽)，而特征的好坏对识别性能有至关重要的影响。人为手工选取出好的特征不是易事。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的设备认证特征识别方法，克服了人工选取射频指纹特征单一的问题，解决了射频识别指纹的特征选取困难，利用卷积神经网络自动提取指纹特征，再使用识别算法，从而提高了对无线发射设备的身份识别率。

本发明的目的是通过以下技术方案来实现的：一种基于卷积神经网络的设备认证特征识别方法，包括以下步骤：

S1.识别平台对合法无线设备和非法无线设备进行射频指纹信号采集：

识别合法无线设备进行射频指纹信号采集，得到相同时间间隔下的射频指纹原始信号样本集A；同理,识别平台对模拟非法无线设备进行射频指纹信号采集，得到包含相同时间间隔下的射频指纹原始信号样本集B；

S2.识别平台对射频指纹原始信号样本集A、B进行射频信号特征生成：

对于原始信号样本集A、B中的各个样本分别进行时频变换，再送入卷积神经网络进行处理，产生多维度的射频指纹特征样本集A′、B′；

S3.识别平台对射频指纹特征样本集A′、B′进行划分，得到训练集T₁和测试集T₂；

S4.识别平台利用识别算法生成分类识别器，并根据训练集T₁和测试集T₂完成分类识别器的训练和测试，直至分类识别器满足检测概率；

S5.识别平台利用检测率达标的分类识别器，对未知身份信息的无线发射设备，以实现合法性身份判断。

本发明的有益效果是：(1)通过卷积神经网络自动学习射频指纹信号特征，无需人工手动设置固定的指纹属性，提高了设备识别的准确性；(2)利用射频信号指纹识别技术，降低了无线设备自身的复杂度和计算开销。

附图说明

图1为射频指纹信号特征生成和无线设备识别流程图；

图2为射频指纹信号特征生成的具体流程图。

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，一种基于卷积神经网络的设备认证特征识别方法，包括以下步骤：

S1.识别平台对合法无线设备和非法无线设备进行射频指纹信号采集：

识别合法无线设备进行射频指纹信号采集，得到相同时间间隔下的射频指纹原始信号样本集A；同理,识别平台对模拟非法无线设备进行射频指纹信号采集，得到包含相同时间间隔下的射频指纹原始信号样本集B；

S2.识别平台对射频指纹原始信号样本集A、B进行射频信号特征生成：

对于原始信号样本集A、B中的各个样本分别进行时频变换，再送入卷积神经网络进行处理，产生多维度的射频指纹特征样本集A′、B′；

S3.识别平台对射频指纹特征样本集A′、B′进行划分，得到训练集T₁和测试集T₂；

S4.识别平台利用识别算法生成分类识别器，并根据训练集T₁和测试集T₂完成分类识别器的训练和测试，直至分类识别器满足检测概率；

S5.识别平台利用检测率达标的分类识别器，对未知身份信息的无线发射设备，以实现合法性身份判断。

在本申请的实施例中，利用边缘计算设备作为识别平台，来进行无线设备射频指纹特征识别。

其中，所述步骤S1包括以下子步骤：

S101.合法无线设备持续发射射频信号，识别平台利用接收天线，在奈奎斯特采样率下采集射频指纹信号，并且将信号按时间序列间隔存入寄存器，得到合法无线设备的射频指纹原始信号样本集A＝[A₁,A₂,…,A_N]，其中N表示信号样本个数， n＝1,2,3,....,N，t表示信号采样点数；

S102.合法无线设备停止向识别平台发射射频信号，非法无线设备开始向识别平台持续发送射频信号，识别平台利用接收天线，依然在奈奎斯特采样率下采集射频指纹信号，并将信号按照时间序列间隔存入寄存器中，得到非法无线设备的射频指纹原始信号样本集 B＝[B₁,B₂,…,B_N]，其中N表示信号样本个数，B_n＝[x(1),x(2),…,x(t)]，n＝1,2,3,....,N，t表示信号采样点数。

如图2所示，在本申请的实施例中，所述步骤S2包括以下子步骤：

S201.对于样本集A、B中的任一个射频指纹信号X，进行时频变换分析，生成特征矩阵X′，其中，X为A_n或B_n，n＝1,2,3,....,N；具体地，对射频指纹信号X进行时频变换分析，生成特征矩阵X′的过程为：

Spectrogram：{x(t)}(τ,w)≡|X(τ,w)|²；

式中，w(t)为窗函数，特征矩阵X′的维数根据窗函数的设置确定。

S202.将时频变换分析得到的特征矩阵X′送入卷积层并与多个神经元进行卷积运算，经过卷积运算后，输出对应的特征矩阵

假设特征矩阵X′的维度为28*28，经过N个5*5的卷积核K_i(i＝1,2，N)的卷积生成N个24*24大小的特征矩阵

S203.将特征矩阵送入池化层，由池化层对特征矩阵进行数据压缩，减少识别算法中出现的过拟合现象，并进行降维，去掉冗余进行次采样得到对应的特征矩阵

设池化窗口为2*2，一个24*24的矩阵，可以池化为一个12*12大小的特征矩阵一共可以池化N个：

S204.将特征矩阵送入卷积层，再次进行卷积运算，得到特征矩阵

设卷积核为则生成的特征矩阵为：

S205.将特征矩阵送入池化层，进一步的压缩数据特征维度，得到特征矩阵

设池化窗口为2*2，一个8*8的特征矩阵可以池化为一个4*4的特征矩阵一共能产生l个特征矩阵：

其中，由于故表示对得到的矩阵进行数据提取，以获得与射频指纹信号X相对应的矩阵；

S206.根据特征矩阵获取对应的矩阵将矩阵按顺序展开成向量，并有序连接成一个长向量，生成新的射频信号指纹向量X″；

S207.对于样本集A、B中的每一个射频指纹信号重复步骤S201～S206，完成所有射频指纹信号的射频信号指纹向量生成，得到射频指纹特征样本集A′、B′。

在本申请的实施例中，所述步骤S2对每个射频指纹信号进行特征生成的过程中，卷积池化的次数根据实际需要确定，不限于1～2次。

所述步骤S4中，将射频指纹特征样本集A′中的一部分样本划分到训练集T₁，另一部分样本划分到测试集T₂，同理将射频指纹特征样本集B′中的一部分样本划分到训练集T₁，另一部分样本划分到测试集T₂；训练集和测试集划分的方法包括但不限于交叉验证法、留出法和自助法。

在本申请的实施例中，所述步骤S4包括：

识别平台对训练集中来自于样本集A′和样本集B′的样本分别进行标记，并利用识别算法生成分类识别器，根据训练集T₁和测试集T₂完成分类识别器的训练和测试，直至分类识别器满足检测概率；所述识别算法包括但不限于全连接神经网络和机器学习分类算法，其中所述的机器学习分类算法包括SVM、聚类、决策树、朴素贝叶斯和Softmax回归算法。

在本申请的实施例中，所述步骤S5包括：采集未知无线设备的射频指纹信号，将其按照步骤S201～S206中对射频指纹信号X的处理方式,进行时频变换，送入卷积神经网络进行卷积运算和池化处理，并生成射频信号指纹向量，利用检测率达标的分类识别器对生成的射频信号指纹向量进行判断，从而实现无线发射设备的合法性身份判断。

需要说明的是，以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于卷积神经网络的设备认证特征识别方法，其特征在于：包括以下步骤：

S1.识别平台对合法无线设备和非法无线设备进行射频指纹信号采集：

识别合法无线设备进行射频指纹信号采集，得到相同时间间隔下的射频指纹原始信号样本集A；同理,识别平台对模拟非法无线设备进行射频指纹信号采集，得到包含相同时间间隔下的射频指纹原始信号样本集B；

S2.识别平台对射频指纹原始信号样本集A、B进行射频信号特征生成：

对于原始信号样本集A、B中的各个样本分别进行时频变换，再送入卷积神经网络进行处理，产生多维度的射频指纹特征样本集A′、B′；

S3.识别平台对射频指纹特征样本集A′、B′进行划分，得到训练集T₁和测试集T₂；

S4.识别平台利用识别算法生成分类识别器，并根据训练集T₁和测试集T₂完成分类识别器的训练和测试，直至分类识别器满足检测概率；

S5.识别平台利用检测率达标的分类识别器，对未知身份信息的无线发射设备，以实现合法性身份判断。

2.根据权利要求1所述的一种基于卷积神经网络的设备认证特征识别方法，其特征在于：所述步骤S1包括以下子步骤：

S101.合法无线设备持续发射射频信号，识别平台利用接收天线，在奈奎斯特采样率下采集射频指纹信号，并且将信号按时间序列间隔存入寄存器，得到合法无线设备的射频指纹原始信号样本集A＝[A₁,A₂,…,A_N]，其中N表示信号样本个数， t表示信号采样点数；

S102.合法无线设备停止向识别平台发射射频信号，非法无线设备开始向识别平台持续发送射频信号，识别平台利用接收天线，依然在奈奎斯特采样率下采集射频指纹信号，并将信号按照时间序列间隔存入寄存器中，得到非法无线设备的射频指纹原始信号样本集B＝[B₁,B₂,…,B_N]，其中N表示信号样本个数，B_n＝[x(1),x(2),…,x(t)]，n＝1,2,3,....,N，t表示信号采样点数。

3.根据权利要求1所述的一种基于卷积神经网络的设备认证特征识别方法，其特征在于：所述步骤S2包括以下子步骤：

S201.对于样本集A、B中的任一个射频指纹信号X，进行时频变换分析，生成特征矩阵X′，其中，X为A_n或B_n，n＝1,2,3,....,N；

S202.将时频变换分析得到的特征矩阵X′送入卷积层并与多个神经元进行卷积运算，经过卷积运算后，输出对应的特征矩阵

S203.将特征矩阵送入池化层，由池化层对特征矩阵进行数据压缩，减少识别算法中出现的过拟合现象，并进行降维，去掉冗余进行次采样得到对应的特征矩阵

S204.将特征矩阵送入卷积层，再次进行卷积运算，得到特征矩阵

S205.将特征矩阵送入池化层，进一步的压缩数据特征维度，得到特征矩阵

S206.根据特征矩阵获取对应的矩阵

其中，表示对得到的矩阵进行数据提取，以获得与射频指纹信号X相对应的矩阵；

将矩阵按顺序展开成向量，并有序连接成一个长向量，生成新的射频信号指纹向量X″；

S207.对于样本集A、B中的每一个射频指纹信号重复步骤S201～S206，完成所有射频指纹信号的射频信号指纹向量生成，得到射频指纹特征样本集A′、B′。

4.根据权利要求3所述的一种基于卷积神经网络的设备认证特征识别方法，其特征在于：所述步骤S2对每个射频指纹信号进行特征生成的过程中，卷积池化的次数根据实际需要确定，不限于1～2次。

5.根据权利要求1所述的一种基于卷积神经网络的设备认证特征识别方法，其特征在于：所述步骤S4中，将射频指纹特征样本集A′中的一部分样本划分到训练集T₁，另一部分样本划分到测试集T₂，同理将射频指纹特征样本集B′中的一部分样本划分到训练集T₁，另一部分样本划分到测试集T₂；训练集和测试集划分的方法包括但不限于交叉验证法、留出法和自助法。

6.根据权利要求1所述的一种基于卷积神经网络的设备认证特征识别方法，其特征在于：所述步骤S4包括：

识别平台对训练集中来自于样本集A′和样本集B′的样本分别进行标记，并利用识别算法生成分类识别器，根据训练集T₁和测试集T₂完成分类识别器的训练和测试，直至分类识别器满足检测概率；所述识别算法包括但不限于全连接神经网络和机器学习分类算法。

7.根据权利要求3所述的一种基于卷积神经网络的设备认证特征识别方法，其特征在于：所述步骤S201中，射频指纹信号X进行时频变换分析，生成特征矩阵X′的过程为：

Spectrogram：{x(t)}(τ,w)≡|X(τ,w)|²；

式中，w(t)为窗函数，特征矩阵X′的维数根据窗函数的设置确定。