CN109670484B - 一种基于双谱特征和提升树的手机个体识别方法 - Google Patents

Abstract

本发明公开了一种基于双谱特征和提升树的手机个体识别方法，通过分别对所有样本进行采样及预处理后通过计算四种积分双谱，从而组合得到训练卷积神经网络的特征集，然后将特征集按比例划分为训练特征集YTrain和测试特征集Ytest，再使用Ytrain训练提升树，并利用提升树的拟合残差作为下一轮的目标进行训练，最后利用训练好的提升树对测试集YTest进行分类决策，最终输出手机个体识别结果。

Description

一种基于双谱特征和提升树的手机个体识别方法

技术领域

本发明属于通信技术领域，更为具体地讲，涉及一种基于双谱特征和提升树的手机个体识别方法。

背景技术

通信辐射源个体识别通过对接收信号特征测量，确定产生信号的辐射源个体，其定义为“将辐射源惟一电磁特征与辐射源个体关联能力”。辐射源个体特征一般是由于其内部元器件之间也存在着微小差异(如器件的非线性、频率源的不稳定性以及杂散输出等)，这种特征也称为通信信号的“指纹”，是指通信信号中用于标识发送该信号的通信设备身份的特征，对每个个体来说，这种特征是唯一的。目前，通信辐射源个体识别技术已经成为通信信号处理领域里的一个研究热点。通信辐射源个体识别的目标是通过利用通信号信号中的能够标识辐射源个体的细微特征集(一般称为信号细微特征)与数据库中的细微特征集进行匹配，从而达到辐射源个体识别的目的。

随着通信技术的发展，无线网络纷繁复杂，为保证无线网络的安全性，需要对网络的用户进行身份验证，原有的身份验证方式主要是密钥验证，但是非法用户若窃取到了密钥，仍然可以入侵无线网络。若同时采取密钥身份验证和硬件个体身份验证两种方式，无线网络的安全性就可大大提高。如在认知无线电领域，移动通信设备如手机，通过感知所在无线网络内的频谱环境，找到注册手机的空闲时段进行通信，在频谱越来越紧张的今天，认知无线电技术大大提高了频谱利用率。然而，这种技术的缺陷在于，目前采用的通过软件认证的方式很容易模仿，这个漏洞也容易被恶意攻击方利用，发动PUE(Prima ryUserEmulation)攻击，从而造成信息泄露或频谱被长期非法占用，给网络管理带来了极大的麻烦。通过本发明手机辐射源个体的识别技术，从物理层进行认证，这种认证方式是个体唯一、极难被模仿的，通过设备被动认证，不需要设备间的协作，实施方便，可以有效的阻止PUE攻击，增强认知无线电网络的安全性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于双谱特征和提升树的手机个体识别方法，利用手机设备个体特征的唯一性、不可模仿性，极大地增强无线电网络的安全性。

为实现上述发明目的，本发明一种基于双谱特征和提升树的手机个体识别方法，其特征在于，包括以下步骤：

(1)、对待识别的手机个体采样

在手机通话阶段，使用AD9361软件无线电平台对待识别的手机个体采样，采样频段为a～bMHz，采样频率为f_sMHz，其中，设待识别的手机个体共C个，每个手机个体采样M组采样数据，则待识别的手机个体共计采样出C×M组采样数据；

(2)、采样数据预处理

将C×M组采样数据依次通过PCIE实时传输到PC机上，再对采样数据进行解帧和重组，得到I、Q两路数据信号；

(3)、获取数据样本集

计算I、Q两路数据信号的模值，挑选出I、Q两路数据信号中数据长度等于L且模值大于预设阈值的数据信号，再将这些数据信号对应的采样数据保存在数据样本集S{n}中，n表示数据样本集中采样数据的个数，n≤C×M；

(4)、提取数据样本集S{n}的四种积分双谱SIB(ω)、PRIB(α)、CIB(α)和AIB(ω)，并组合成样本特征集Y；

(5)、训练提升树

(5.1)、将样本特征集Y分为训练特征集YTrain和测试特征集YTest；

设训练集YTrain和测试集YTest中均包含N类手机，每类手机训练一列树，每列树训练H棵树；

设训练集YTrain中的每个样本为x_i，每个样本x_i中有P个特征，每个样本x_i的拟合初始值设为

将所有的样本x_i和对应的拟合初始值

组合成样本集Y_root；

(5.2)、在每列树的每棵树中，初始化根节点R，使满足x_i∈R；设置根节点R计数值rc的取值范围为[1,2,…,m]，m为计数最大值；初始化根节点R计数值为rc＝1，根节点R输出值f_n＝0，特征划分下标pc＝0和特征划分值RL＝0；

(5.3)、在样本集Y_root中，将所有的样本x_i的特征中标记出单个特征最大值值P_max和单个特征最小值P_min；

在所有特征中设置η-1个划分点，并计算出每个划分点L_k，L_k＝P_min+k/η*(P_max-P_min)，k＝1,2,…,η-1；

(5.4)、在样本集Y_root中，将所有的样本x_i的特征值小于划分点L_k的样本x_i放入训练特征集Y_{root_L}，将特征值大于划分点L_k的样本x_i放入训练特征集Y_{root_R}；

然后计算每个RL_k，

其中，

若样本x_i的类别数与当前列数相同，则y'_xi＝1，否则y'_xi＝0；h_xi＝1，λ和γ分别为设置的常数；

(5.5)、在η-1个RL_k值中选出划分点RL，RL＝max(RL₁,RL₂,…,RL_η-1)，再将根节点R的特征划分下标值pc设置为使RL_k取最大值的k，即pc＝argmax(RL₁,RL₂,…,RL_η-1)；

(5.6)、在样本集Y_root中，将所有的样本x_i的特征值小于划分点RL的样本x_i归属于根节点R的左子节点R_L，将特征值大于划分点RL的样本x_i归属于根节点R的右子节点R_R，然后将根节点R的计数值rc加1后作为R_L和R_R的rc值；

(5.7)、计算左子节点R_L的输出值

其中，

若样本x_i的类别数与当前列数相同，则y’_xi＝1，否则y’_xi＝0；

计算右子节点R_R的输出值

其中，

若样本x_i的类别数与当前列数相同，则y'_xi＝1，否则y'_xi＝0；

(5.8)、判断子节点R_L的rc值是否达到最大值m，如果达到最大值m，则所有的样本x_i∈R_L，样本x_i拟合值

f_n为子节点R_L输出值，再进行步骤(5.9)，否则，重复步骤(5.3)--(5.7)；

(5.9)、判断子节点R_R的rc值是否达到最大值m，如果达到最大值m，则所有的样本x_i∈R_R，样本x_i拟合值

f_n为子节点R_R输出值，再进行步骤(5.10)，否则，重复步骤(5.3)--(5.7)；

(5.10)、重复步骤(5.2)--(5.9)，直到该列树中的每棵树遍历完成，达到该列树的H棵树训练完毕，再重复步骤(5.2)--(5.9)进行下一列树的H棵树的训练，直到N列树全部训练完毕，得到训练完成的提升树；

(6)、将测试特征集YTest中的样本x_i输入至训练完成的提升树，输出手机个体识别结果。

本发明的发明目的是这样实现的：

本发明基于双谱特征和提升树的手机个体识别方法，通过分别对所有样本进行采样及预处理后通过计算四种积分双谱，从而组合得到训练卷积神经网络的特征集，然后将特征集按比例划分为训练特征集YTrain和测试特征集Ytest，再使用Ytrain训练提升树，并利用提升树的拟合残差作为下一轮的目标进行训练，最后利用训练好的提升树对测试集YTest进行分类决策，最终输出手机个体识别结果。

同时，本发明基于双谱特征和提升树的手机个体识别方法还具有以下有益效果：

(1)、提取的手机个体特征稳定度较好，四种双谱几乎涵盖了大多数有意义的积分路径，它们提取的特征能够互相补充，期望获得更优的识别效果，从而提高了手机个体的识别率，并且该发明所使用的方法适用且很容易推广到3G、4G频段的手机个体识别，可以增强混合认知无线电网络的安全性。

(2)、平台可以采用分布式部署，可将手机信号特征提取过程部署在分布式平台上，采用并行计算，可大幅度节约特征提取花费时间；特征列排序后以块的形式存储在内存中，在迭代中可以重复使用，降低运算量。

(3)、本发明为辐射源识别个体识别提供了一种新的思路，本发明中采用的几种不同的特征提取和特征联合使用的方法对其他辐射源个体识别，如电台、雷达、WiFi等也具有很好借鉴意义。

附图说明

图1是本发明一种基于双谱特征和提升树的手机个体识别方法流程图；

图2是GSM手机信号采样接收设备连接实物及示意图；

图3是I路信号部分截图和暂态、稳态部分展示；

图4是6部手机信号的RIB特征投影到二维的示意图展示；

图5是6部手机信号的AIB特征投影到二维的示意图展示；

图6是6部手机信号的CIB特征投影到二维的示意图展示；

图7是6部手机信号的SIB特征投影到二维的示意图展示；

图8是6部手机个体256维双谱特征的二维嵌入分布图；

图9是提升树结构示意图；

图10是6部手机个体的分类识别结果。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

AGC(Automatic Gain Control)：自动增益控制；

RIB(radial integral bispectra)：径向积分双谱；

AIB(axial integral bispectra)：轴向积分双谱；

CIB(circumference integral bispectra)：圆周积分双谱；

SIB(square integral bispectra)：矩形积分双谱；

PCA(Principal Component Analysis)：主成分分析；

图1是本发明一种基于双谱特征和深度学习的手机个体识别方法流程图。

在本实施例中，如图1所示，本发明一种基于双谱特征和深度学习的手机个体识别方法，包括以下步骤：

S1、对待识别的手机个体采样

在手机通话阶段，使用AD9361软件无线电平台对待识别的手机个体采样，采样频段设为888～908MHz，采样频率设置为f_s＝56MHz；其中，设待识别的手机个体共6个，分别对每个手机进行采样；

在本实施例中，如图2所示，AD9361平台对上行GSM频段手机个体进行采样，采样对象为两个手机品牌，Nokia手机3部，型号为1682C，福中福手机3部，型号为F688D，GSM天线作为采样平台的信号接收端，采样数据保存成二进制文件，每次采样2G数据，每部手机分时采样5次，最终得到60G的原始样本数据，再从60G的原始样本数据中抽取6000组采样数据，其中每部手机抽取1000组采样数据；

S2、采样数据预处理

将6000组采样数据依次通过PCIE实时传输到PC机上，再对采样数据进行解帧和重组，得到I、Q两路数据信号。

S3、获取数据样本集

计算I、Q两路数据信号的模值，挑选出I、Q两路数据信号中数据长度等于L＝5000且模值大于预设阈值1000的数据信号，再将这些数据信号对应的采样数据保存在数据样本集S{n}中，n表示数据样本集中采样数据的个数，n≤6000；

在本实施例中，图3为I路信号部分截图，信号可以分为噪声部分、暂态信号部分，稳态信号部分，本实施例的目的是提取信号的稳态部分，其中阈值1000的取值是根据AD9361采样设备的AGC设置得到，具体实施应该根据采样设备的增益大小做适当的调整。

S4、求取样本特征集Y

S4.1、计算数据样本集S{n}中每个采样数据的双谱

S4.1.1、将每一个长度为L＝5000的采样数据分成K＝98段，保持相邻数据段重叠部分为T％＝8％，每段数据长度为

长度不足64的后面补零，并对每段数据去均值；

S4.1.2、计算第i段数据的DFT系数X_i(λ)：

S4.1.3、计算FFT序列的三阶相关

其中，λ₁,λ₂是频域的相关变量，满足：0≤λ₂≤λ₁,λ₁+λ₂≤f_s/2；L₁的取值满足

L表示在双谱区域沿水平和垂直方向上所要求的两频率采样点之间的间隔；

S4.1.4、计算每个采样数据的双谱B(ω₁,ω₂)：

其中，

对

取模得到B(ω₁,ω₂)；

S4.2、计算每个采样数据的径向积分双谱PRIB(α)

其中，ω₁＝2πf₁，ω₂＝2πf₂，α为常数；出于聚类可视化的目的，通过PCA将径向双谱高维特征降维到二维，径向双谱特征投影到二维的展示如图4所示；

S4.3、计算每个采样数据的轴向积分双谱AIB(ω)

其中，

出于聚类可视化的目的，通过PCA将轴向双谱高维特征降维到二维，轴向双谱特征投影到二维的展示如图5所示；

S4.4、计算每个采样数据的圆周积分双谱CIB(α)

CIB(α)＝∫B_p(α,θ)dθ

其中，B_p(α,θ)是双谱B(ω₁,ω₂)的极坐标表示；出于聚类可视化的目的，通过PCA将圆周双谱高维特征降维到二维，圆周双谱特征投影到二维的展示如图6所示；

S4.5、计算每个采样数据的矩形积分双谱SIB(ω)

其中，S_l表示围线积分路径；出于聚类可视化的目的，通过PCA将矩形双谱高维特征降维到二维，矩形双谱特征投影到二维的展示如图7所示；

S4.6、将四种积分双谱按照SIB(ω)、PRIB(α)、CIB(α)和AIB(ω)的顺序依次排列，组合成样本特征集Y；在本实施例中，四种积分双谱均为64维，那么依次排列组合后得到256维样本特征集Y，样本特征集Y投影到二维的展示如图8所示；

S5、训练提升树

S5.1、将样本特征集Y分为训练特征集YTrain和测试特征集YTest；

设训练集YTrain和测试集YTest中均包含N＝100类手机，每类手机训练一列树，每列树训练H＝500棵树；

设训练集YTrain中的每个样本为x_i，每个样本x_i中有256个特征，每个样本x_i的拟合初始值设为

将所有的样本x_i和对应的拟合初始值

组合成样本集Y_root；

S5.2、在每列树的每棵树中，初始化根节点R，使满足x_i∈R；设置根节点R计数值rc的取值范围为[1,2,…,m]，m为计数最大值,m取值为6；初始化根节点R计数值为rc＝1，根节点R输出值f_n＝0，特征划分下标pc＝0和特征划分值RL＝0；

S5.3、在样本集Y_root中，将所有的样本x_i的特征中标记出单个特征最大值P_max和单个特征最小值P_min；

在所有特征中设置9个划分点，即η＝10并计算出每个划分点L_k，L_k＝P_min+k/10*(P_max-P_min)，k＝1,2,…,9；

S5.4、在样本集Y_root中，将所有的样本x_i的特征值小于划分点L_k的样本x_i放入训练特征集Y_{root_L}，将特征值大于划分点L_k的样本x_i放入训练特征集Y_{root_R}；

然后计算每个RL_k，

其中，

若样本x_i的类别数与当前列数相同，则y'_xi＝1，否则y'_xi＝0；h_xi＝1，λ和γ分别为设置的常数，在本实施例中，λ＝1，γ＝0.01；

S5.5、在9个RL_k值中选出划分点RL，RL＝max(RL₁,RL₂,…,RL₉)，再将根节点R的特征划分下标值pc设置为使RL_k取最大值的k，即pc＝argmax(RL₁,RL₂,…,RL₉)；

S5.6、在样本集Y_root中，将所有的样本x_i的特征值小于划分点RL的样本x_i归属于根节点R的左子节点R_L，将特征值大于划分点RL的样本x_i归属于根节点R的右子节点R_R，然后将根节点R的计数值rc加1后作为R_L和R_R的rc值；

S5.7、计算左子节点R_L的输出值

其中，

若样本x_i的类别数与当前列数相同，则y’_xi＝1，否则y’_xi＝0；

计算右子节点R_R的输出值

其中，

若样本x_i的类别数与当前列数相同，则y'_xi＝1，否则y'_xi＝0；

S5.8、判断子节点R_L的rc值是否达到最大值6，如果达到最大值6，则所有的样本x_i∈R_L，样本x_i拟合值

f_n为子节点R_L输出值，再进行步骤S5.9，否则，重复步骤S5.3--S5.7；

S5.9、判断子节点R_R的rc值是否达到最大值6，如果达到最大值6，则所有的样本x_i∈R_R，样本x_i拟合值

f_n为子节点R_R输出值，再进行步骤S5.10，否则，重复步骤S5.3--S5.7；

S5.10、重复步骤S5.2--S5.9，直到该列树中的每棵树遍历完成，达到该列树的500棵树训练完毕，再重复步骤S5.2--S5.9进行下一列树的500棵树的训练，直到100列树全部训练完毕，得到训练完成的提升树；

在本实施例中，训练完成的提升树结构如图9所示。提升树由500*100棵树的结果综合而成，主要是防止过拟合；

S6、将测试特征集YTest中的样本x_i输入至训练完成的提升树，输出手机个体识别结果。

图10是6个手机个体的分类识别结果，结果表明，经过多次试验，平均识别率达到99％左右，验证了本发明提出识别方案的正确性和有效性，这也为增强认知无线电网络安全性从物理层认证提供了实用方案。

本发明中，手机个体信号采集过程是一个非常重要的环节。由于提取的个体细微的杂散特征，为保证较高的个体识别准确率，需要注意两点，一是采样设备本身最好不要引入太多噪声，因此较高精度的采样设备是必须的；二是采样率要保证是信号带宽的3～5倍。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于双谱特征和提升树的手机个体识别方法，其特征在于，包括以下步骤：

(1)、对待识别的手机个体采样

在手机通话阶段，使用AD9361软件无线电平台对待识别的手机个体采样，采样频段为a～bMHz，采样频率为f_sMHz，其中，设待识别的手机个体共C个，每个手机个体采样M组采样数据，则待识别的手机个体共计采样出C×M组采样数据；

(2)、采样数据预处理

将C×M组采样数据依次通过PCIE实时传输到PC机上，再对采样数据进行解帧和重组，得到I、Q两路数据信号；

(3)、获取数据样本集

计算I、Q两路数据信号的模值，挑选出I、Q两路数据信号中数据长度等于L且模值大于预设阈值的数据信号，再将这些数据信号对应的采样数据保存在数据样本集S{n}中，n表示数据样本集中采样数据的个数，n≤C×M；

(4)、提取数据样本集S{n}的四种积分双谱SIB(ω)、PRIB(α)、CIB(α)和AIB(ω)，并组合成样本特征集Y；

(5)、训练提升树

(5.1)、将样本特征集Y分为训练训练特征集YTrain和测试特征集YTest；

设训练集YTrain和测试集YTest中均包含N类手机，每类手机训练一列树，每列树训练H棵树；

设训练集YTrain中的每个样本为x_i，每个样本x_i中有P个特征，每个样本x_i的拟合初始值设为

将所有的样本x_i和对应的拟合初始值

组合成样本集Y_root；

(5.2)、在每列树的每棵树中，初始化根节点R，使满足x_i∈R；设置根节点R计数值rc的取值范围为[1,2,…,m]，m为计数最大值；初始化根节点R计数值为rc＝1，根节点R输出值f_n＝0，特征划分下标pc＝0和特征划分值RL＝0；

(5.3)、在样本集Y_root中，将所有的样本x_i的特征中标记出单个特征最大值值P_max和单个特征最小值P_min；

在所有特征中设置η-1个划分点，并计算出每个划分点L_k，L_k＝P_min+k/η*(P_max-P_min)，k＝1,2,…,η-1；

(5.4)、在样本集Y_root中，将所有的样本x_i的特征值小于划分点L_k的样本x_i放入训练特征集Y_{root_L}，将特征值大于划分点L_k的样本x_i放入训练特征集Y_{root_R}；

然后计算每个RL_k，

其中，

若样本x_i的类别数与当前列数相同，则y'_xi＝1，否则y'_xi＝0；h_xi＝1，λ和分别为设置的常数；

(5.5)、在η-1个RL_k值中选出划分点RL，RL＝max(RL₁,RL₂,…,RL_η-1)，再将根节点R的特征划分下标值pc设置为使RL_k取最大值的k，即pc＝argmax(RL₁,RL₂,…,RL_η-1)；

(5.6)、在样本集Y_root中，将所有的样本x_i的特征值小于划分点RL的样本x_i归属于根节点R的左子节点R_L，将特征值大于划分点RL的样本x_i归属于根节点R的右子节点R_R，然后将根节点R的计数值rc加1后作为R_L和R_R的rc值；

(5.7)、计算左子节点R_L的输出值

其中，

若样本x_i的类别数与当前列数相同，则y_xi＝1，否则y_xi＝0；

h_xi＝1；

计算右子节点R_R的输出值

其中，

若样本x_i的类别数与当前列数相同，则y'_xi＝1，否则y'_xi＝0；

h_xi＝1；

(5.8)、判断子节点R_L的rc值是否达到最大值m，如果达到最大值m，则所有的样本x_i∈R_L，样本x_i拟合值

f_n为子节点R_L输出值，再进行步骤(5.9)，否则，重复步骤(5.3)--(5.7)；

(5.9)、判断子节点R_R的rc值是否达到最大值m，如果达到最大值m，则所有的样本x_i∈R_R，样本x_i拟合值

f_n为子节点R_R输出值，再进行步骤(5.10)，否则，重复步骤(5.3)--(5.7)；

(5.10)、重复步骤(5.2)--(5.9)，直到该列树中的每棵树遍历完成，达到该列树的H棵树训练完毕，再重复步骤(5.2)--(5.9)进行下一列树的H棵树的训练，直到N列树全部训练完毕，得到训练完成的提升树；

(6)、将测试特征集YTest中的样本x_i输入至训练完成的提升树，输出手机个体识别结果。

Images