CN109587136A - 一种基于双极大值的射频指纹特征提取和识别方法 - Google Patents

Abstract

本发明公开了一种基于双极大值的射频指纹特征提取和识别方法，包括以下步骤：S1.接收端分别接收来自多个射频发射器的信号，并进行样本采集，得到样本集D；S2.从样本集D中选取样本数据，提取该样本数据中的极大值，将选取出来的极大值组成样本特征；S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理，得到双极大值特征集；S4.基于机器类学习算法，在双极大值数据集的基础上训练分类器，对未知身份的射频收发器进行识别。本发明利用双极大值提取的方式，有效减少了提取得到的特征维数，进而降低计算复杂度，同时提高了特征的类别可分性能。

Description

一种基于双极大值的射频指纹特征提取和识别方法

技术领域

本发明涉及通信设备接入认证领域,具体是涉及一种基于双极大值的射频指纹特征提取和识别方法，可以应用于终端设备接入认证。

背景技术

接入认证作为保障通信安全传输的第一步，其重要性不言而喻。认证一般通过安全协议进行，认证协议的实现是基于密码机制，而如果密钥泄露将导致现有的认证机制无法实现其声称的认证业务。基于射频指纹的非密码认证方法是根据终端设备的射频指纹识别来确认终端设备，其认证激励机理是任何终端设备的硬件都存在差异，并且难以克隆，因而能提供比传统通信认证方法更高的安全性能。尤其是该方法是一种非对称安全，在边缘计算系统等场景，可以实现边缘侧的建库和训练，对终端进行快速的识别，终端几乎不承担任何计算；该方法也非常适用电力终端等场景的接入认证，该方法可以非常好地兼容电力终端的多样化和异构特征。

射频指纹由于其可唯一表征终端设备，而且能实现轻量级的识别认证，因而在终端安全接入、物联网节点安全接入等领域中受到越来越多的关注。射频指纹可分为采用“瞬态信号”变换而来的时域包络、频谱及小波因子等，以及采用“稳态信号”变换而来的频偏、前导包络及星座点等用于发射机的识别。特征提取作为射频指纹识别过程的重要环节，其目的是为了提取出能够体现不同信号差异的细微特征，但现有的射频指纹特征提取和识别方案中，多数方法提取后的特征具有维数较大的特点，这给后续的数据处理挑选出更有利于分类判别的特征，减少数据存储。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于双极大值的射频指纹特征提取和识别方法，利用双极大值提取的方式，有效减少了提取得到的特征维数，进而降低计算复杂度，同时提高了特征的类别可分性能。

本发明的目的是通过以下技术方案来实现的：一种基于双极大值的射频指纹特征提取和识别方法，包括以下步骤：

S1.接收端分别接收来自多个射频发射器的信号，并进行样本采集，得到样本集D：

其中，S_ij表示从第i个射频收发器信号中采集到的第j个样本，i＝1,2,3,...,N，j＝1,2,3,...,M；N为射频收发器的总数，M为对每个射频收发器采集的信号样本数；

S2.从样本集D中选取样本数据S_ij＝[d₁,d₂,...,d_k]，提取该样本数据中的极大值d_l，使之满足d_l＞d_l-1且d_l≥d_l+1，其中l＝1,2,3,...,k；k表示样本数据S_ij的维数；将选取出来的前t个极大值组成样本特征其中t表示预设的样本数据维数；

S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理，得到双极大值特征集

S4.基于机器学习算法，在双极大值特征集的基础上训练分类器，对未知身份的射频收发器进行识别。

进一步地，所述步骤S1包括以下子步骤：

S101.第i个射频发射器持续向接收端发射信号，接收端对接收的波形信号进行起始点位置和结束点位置检测，得到M个信号样本,形成第i个射频发射器的样本集D_i：

D_i＝[S_i1,S_i2,...,S_iM]

S102.对于每一个射频发射器，按照步骤S101重复执行，得到所有射频发射器的样本集D：

进一步地，所述步骤S4包括以下子步骤：

S401.利用数字1,2,3,…N对射频发射器进行编号，在双极大值特征集中，利用每一个样本特征所对应的射频发射器编号，对该样本特征进行标记；

S402.将双极大值特征集按照2:1的比例划分为训练集和测试集；

S403.利用机器学习算法中的分类算法构建分类器，基于训练集中的数据对分类器进行训练；

S404.利用测试集中的数据对训练得到的分类器进行测试，计算识别率来判断分类器是否达标，若识别率达标，则将训练得到的分类器作为最终的成熟分类器，若不达标，返回步骤S1；

S405.对于任一未知身份的射频发射器，接收端接收其发射的一个波形信号作为样本，对该样本按照步骤S2进行双极大值提取后，送入成熟的分类器中，由分类器输出编号来确定该射频发射器的身份。

其中，步骤S4中所述机器学习算法中的分类算法包括但不限于SVM算法、k-近邻算法、朴素贝叶斯算法和决策树算法。

本发明的有益效果是：本发明利用双极大值提取的方式，有效减少了提取得到的特征维数，进而降低计算复杂度，同时提高了特征的类别可分性能。

附图说明

图1为本发明的方法流程图；

图2为基于SVM分类算法得到的射频指纹识别率示意图。

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，一种基于双极大值的射频指纹特征提取和识别方法，包括以下步骤：

S1.接收端分别接收来自多个射频发射器的信号，并进行样本采集，得到样本集D：

其中，S_ij表示从第i个射频收发器信号中采集到的第j个样本，i＝1,2,3,...,N，j＝1,2,3,...,M；N为射频收发器的总数，M为对每个射频收发器采集的信号样本数；

S2.从样本集D中选取样本数据S_ij＝[d₁,d₂,...,d_k]，提取该样本数据中的极大值d_l，使之满足d_l＞d_l-1且d_l≥d_l+1，其中l＝1,2,3,...,k；k表示样本数据S_ij的维数；将选取出来的前t个极大值组成样本特征其中t表示预设的样本数据维数；

S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理，得到双极大值特征集

S4.基于机器学习算法，在双极大值特征集的基础上训练分类器，对未知身份的射频收发器进行识别。

进一步地，所述步骤S1包括以下子步骤：

S101.第i个射频发射器持续向接收端发射信号，接收端对接收的波形信号进行起始点位置和结束点位置检测，得到M个信号样本,形成第i个射频发射器的样本集D_i：

D_i＝[S_i1,S_i2,...,S_iM]

S102.对于每一个射频发射器，按照步骤S101重复执行，得到所有射频发射器的样本集D：

在本申请的实施例中，所述步骤S1中的起始点检测方法包括但不限于基于信号幅度变化的Bayesian阶跃变点检测方法，Bayesian渐升变点检测方法；起始点后经x维(如243)设置为波形信号的结束点，x的值一般根据信号类型进行预估，在本发明实施过程中，可看作是预先设定的已知值；

在本申请的实施例中，所述步骤S4包括以下子步骤：

S401.利用数字1,2,3,…N对射频发射器进行编号，在双极大值特征集中，利用每一个样本特征所对应的射频发射器编号，对该样本特征进行标记；

S402.将双极大值特征集按照2:1的比例划分为训练集和测试集；

S403.利用机器学习算法中的分类算法构建分类器，基于训练集中的数据对分类器进行训练；具体地，在对分类器进行训练时，将训练集中的样本特征作为分类器输入，样本特征所对应的编号作为分类器输出，进行分类器训练；

S404.利用测试集中的数据对训练得到的分类器进行测试，计算识别率来判断分类器是否达标，若识别率达标，则将训练得到的分类器作为最终的成熟分类器，若不达标，返回步骤S1；具体地，在对分类器进行测试时，将测试集中的样本特征作为输入，由分类器输出相应的分类编号，将分类编号与样本特征的标记进行比较，若一致，则认为分类正确；统计分类正确的样本特征数，分类正确的样本特征数与测试集中样本特征总数的比值即为识别率；若识别率大于预设阈值，则认为识别率达标，否则，则认为识别率不达标。

S405.对于任一未知身份的射频发射器，接收端接收其发射的一个波形信号作为样本，对该样本按照步骤S2进行双极大值提取后，送入成熟的分类器中，由分类器输出编号来确定该射频发射器的身份。

其中，步骤S4中所述机器学习算法中的分类算法包括但不限于SVM算法、k-近邻算法、朴素贝叶斯算法和决策树算法。

在本申请的实施例中，为体现本发明中采用双极大值进行射频指纹特征提取的优势，通过样本集的类间散度矩阵的迹与类内散度矩阵的迹的比值来定义类别可分性度量J_w：

波形特征测试数据集D有N个类别，Ω₁,…,Ω_N，Ω_i类样本集Ω_i类的散度矩阵

其中m⁽ⁱ⁾为Ω_i类的均值；

总的类内散度矩阵S_w：

P(Ω_i)为Ω_i类的先验概率；

第i类别和第j类别之间的散度

总的类间散度矩阵

类别可分性度量J_w：

Tr(S_w)是类内散度矩阵S_w的迹，Tr(S_B)是类间散度矩阵S_B的迹。

该实施例中，以采集的4个nRF24LE1射频发射模块为例，说明本发明的具体特征提取方法：

采集4个nRF24LE1射频发射模块的信号样本，进行起始位置检测截取出维数为243维的瞬态信号幅值数据，从每个射频发射模块提取150个信号组成样本库D；

直接利用样本库D进行分类器训练和测试：首先，对射频发射模块进行编号，并在样本库D中根据信号样本所对应的射频发射模块编号，对信号样本进行标记；将样本库D划分为瞬态信号样本库D_tr和瞬态信号待测样本库D_t；D_tr包含100个样本，D_t包含50个样本；利用机器学习算法中的分类算法构建分类器，并基于瞬态信号样本库D_tr进行分类器训练，利用D_t对训练得到的分类器进行测试；

利用本申请的方法进行分类训练和测试：对样本库D中的信号进行双极大值特征提取后，得到150个特征信号组成双极大值特征库特征维数为20维；对射频发射模块进行编号，并在双极大值特征库中根据特征信号所对应的射频发射模块编号，对特征信号进行标记；将双极大值特征库划分为双极大值样本库(训练集)和双极大值待测样本库(测试集)双极大值样本库由中的100个特征信号组成，双极大值待测样本库由中的50个特征信号组成；利用机器学习算法中的分类算法构建分类器，基于双极大值样本库对分类器进行训练；利用双极大值待测样本库对得到分类器进行测试；

如图2所示，为上述两种方式下，基于SVM分类算法得到的射频指纹识别率比较示意图，可见，在降低特征维数后，训练得到的分类器具有较高的识别率；

在本申请的实施例中，根据瞬态信号待测样本库D_t，得到类内散度矩阵迹17.1918和类间散度矩阵迹3.14；根据双极大值待测样本库得到类内散度矩阵迹0.1542和类间散度矩阵迹0.2292；

故243维瞬态信号待测样本的类别可分性度量为：

20维双极大值待测样本的类别可分性度量为：

由此可以看出，本发明利用双极大值提取的方式，有效减少了提取得到的特征维数，进而降低计算复杂度，同时提高了特征的类别可分性能。

最后需要说明的是，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 (4)

1.一种基于双极大值的射频指纹特征提取和识别方法，其特征在于：包括以下步骤：

S1.接收端分别接收来自多个射频发射器的信号，并进行样本采集，得到样本集D：

其中，S_ij表示从第i个射频收发器信号中采集到的第j个样本，i＝1,2,3,...,N，j＝1,2,3,...,M；N为射收发器的总数，M为对每个射频收发器采集的信号样本数；

S2.从样本集D中选取样本数据S_ij＝[d₁,d₂,...,d_k]，提取该样本数据中的极大值d_l，使之满足d_l＞d_l-1且d_l≥d_l+1，其中l＝1,2,3,...,k；k表示样本数据S_ij的维数；将选取出来的前t个极大值组成样本特征其中t表示预设的样本数据维数；

S3.按照步骤S2依次对样本集D中的每一个样本数据进行处理，得到双极大值特征集

S4.基于机器学习算法，在双极大值特征集的基础上训练分类器，对未知身份的射频收发器进行识别。

2.根据权利要求1所述的一种基于双极大值的射频指纹特征提取和识别方法，其特征在于：所述步骤S1包括以下子步骤：

S101.第i个射频发射器持续向接收端发射信号，接收端对接收的波形信号进行起始点位置和结束点位置检测，得到M个信号样本,形成第i个射频发射器的样本集D_i：

D_i＝[S_i1,S_i2,...,S_iM]

S102.对于每一个射频发射器，按照步骤S101重复执行，得到所有射频发射器的样本集D：

3.根据权利要求1所述的一种基于双极大值的射频指纹特征提取和识别方法，其特征在于：所述步骤S4包括以下子步骤：

S401.利用数字1,2,3,…N对射频发射器进行编号，在双极大值特征集中，利用每一个样本特征所对应的射频发射器编号，对该样本特征进行标记；

S402.将双极大值特征集按照2:1的比例划分为训练集和测试集；

S403.利用机器学习算法中的分类算法构建分类器，基于训练集中的数据对分类器进行训练；

S404.利用测试集中的数据对训练得到的分类器进行测试，计算识别率来判断分类器是否达标，若识别率达标，则将训练得到的分类器作为最终的成熟分类器，若不达标，返回步骤S1；

S405.对于任一未知身份的射频发射器，接收端接收其发射的一个波形信号作为样本，对该样本按照步骤S2进行双极大值提取后，送入成熟的分类器中，由分类器输出编号来确定该射频发射器的身份。

4.根据权利要求1所述的一种基于双极大值的射频指纹特征提取和识别方法，其特征在于：步骤S4中所述机器学习算法中的分类算法包括但不限于SVM算法、k-近邻算法、朴素贝叶斯算法和决策树算法。