CN109921886A - 一种鲁棒的低功耗设备射频指纹识别方法 - Google Patents

Abstract

本发明公开了一种鲁棒的低功耗设备射频指纹识别方法，包括：(1)采集不同信噪比仿真环境中低功耗设备的输出信号；(2)对采集的信号进行预处理，并将预处理后的信号划分成训练集和验证集；(3)对于训练集中信号，选择前导的最后i个符号作为训练样本，选择设备型号作为对应标签，进行卷积神经网络训练，得到目标信号区间为i的卷积神经网络CNN_i；(4)采用验证集得到每个信噪比区间下的最优目标信号区间；(5)计算待识别低功耗设备的输出信号的信噪比，选择该信噪比对应的最优目标信号区间i*，并将前导信号中最后i*个符号输入卷积神经网络CNN_i*进行识别，得到预测的设备型号。本发明可以在低功耗设备存在低功耗模式切换的情况下，有效地抵抗存在的半稳态现象，极大地提高设备识别性能。

Description

一种鲁棒的低功耗设备射频指纹识别方法

技术领域

本发明涉及信息安全领域，尤其涉及一种鲁棒的低功耗设备射频指纹识别方法。

背景技术

随着物联网技术的蓬勃发展，尤其是其中ZigBee等低功耗设备在智能城市、智能交通、智能医疗等关键基础设施中的不断普及，其安全问题不容忽视。然而，传统的设备身份认证通常关注于比特层的身份凭证，包括MAC地址和加密密钥等，由于这些设备性能相对较差，入侵者容易攻破这些设备中的传统的安全保护机制，从而获得合法的身份凭证对整个网络进行信息窃取和破坏。近年来，基于无线设备射频指纹技术对无线设备进行识别和认证收到了广泛的关注。射频指纹是无线设备在生产制造过程中由于硬件容差和工艺技术导致的设备的本质特征，其具有唯一性和难以克隆的特性，可以有效抵御伪造、篡改等攻击，可以用来进行低功耗设备的身份识别和认证。

现有的射频指纹技术根据其提取特征的目标信号区间通常可以分成以下两种，即瞬态射频指纹技术和稳态射频指纹技术。瞬态信号由于其持续时间极短，需要高成本的采集设备，因此，瞬态射频指纹技术一般不适用于低功耗设备的指纹提取与识别，稳态射频指纹技术使用相对便宜的采集设备更加合适。然而，ZigBee等低功耗设备大部分时间工作在低功耗模式(睡眠模式)，这些设备通常需要从低功耗模式中唤醒发送信号进行认证，当然，从正常模式直接发送信号进行认证这种情形也存在。当在存在低功耗模式切换时，由于唤醒期间的长电路启动时间，存在半稳态现象，即前导的前几个符号在不同次采集时不稳定。因此，现有的稳态射频指纹技术将整个前导视为稳态部分在这种情况下并不合理。由于低功率设备和低功耗模式切换工作场景的普遍存在，一种可以处理半稳态信号段的鲁棒的低功耗设备射频指纹提取方法是是迫切需求的。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种鲁棒的低功耗设备射频指纹识别方法，实现对实际应用中低功耗设备的识别和认证。本发明通过预先模拟不同的信噪比，得到不同信噪比下的最佳目标信号区间，可以有效权衡半稳态信号中信号抖动、噪声以及有助于设备识别的有效信息，从而在实际的环境中通过估计接收信号信噪比，选取最佳目标信号区间进行射频指纹提取和识别，提高低功耗设备在实际使用中的识别性能。

技术方案：本发明所述的鲁棒的低功耗设备射频指纹识别方法包括以下步骤：

(1)采集不同信噪比仿真环境中低功耗设备的输出信号，包括正常模式和从低功耗模式切换到正常模式的信号；

(2)对不同信噪比仿真环境中采集的信号进行预处理，并将预处理后的信号按预设比例随机划分成训练集和验证集；

(3)对于训练集中的所有信号，选择其前导的最后i个符号作为训练样本，即目标信号区间为i的训练样本，选择训练样本的设备型号作为对应标签，进行卷积神经网络训练，从而得到目标信号区间为i的卷积神经网络CNN_i，其中，i＝1,…,n，n为前导符号个数；

(4)将验证集按照采集环境的信噪比区间划分为多个子集合，对于每个信噪比区间对应的子集合中的信号，分别采用训练好的n个卷积神经网络进行指纹识别，将识别准确率最高的卷积神经网络对应的目标信号区间作为该信噪比区间下的最优目标信号区间；

(5)将待识别低功耗设备的输出信号进行预处理后，计算信噪比，并选择该信噪比所在区间对应的最优目标信号区间i*，获取预处理后前导信号中最后i*个符号作为输入，采用i*对应的卷积神经网络CNN_i*进行识别，得到预测的设备型号。

进一步的，步骤(1)中采集无线设备的输出信号时，通过直接同轴线加衰减器连接采集信号，或者是在近距离、可视距、信噪比高于预设值的无线接收环境下采集信号。

进一步的，所述预处理包括：下变频、过采样、信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿、I/Q路信号提取。

进一步的，步骤(2)中信号划分的方法包括交叉验证发、留出法和自助法。

进一步的，步骤(4)具体包括：

(4.1)将采集环境中的信噪比划分为m个区间，并将验证集按照采集环境信噪比区间划分为多个子集合，m为正整数；

(4.2)对于每个子集合中的信号，分别采用步骤(3)训练好的n个卷积神经网络进行指纹识别；

(4.3)计算信噪比区间j对应的子集合信号采用第i个卷积神经网络CNN_i进行识别的识别准确率i＝1,…,n，j＝1,…,m；

(4.4)对于信噪比区间j，选取识别准确率最高的卷积神经网络对应的目标信号区间作为最优目标信号区间ROI_j：

其中，j＝1,…,m。

有益效果：本发明与现有技术相比，其显著优点是：本发明与现有技术相比，其显著优点是：通过本发明方法，可以实现在实际低功耗设备待识别场景下，基于测量估计出的接收信号信噪比，选取最佳目标信号区间进行射频指纹提取和识别，从而对半稳态信号中包含的有效信息根据信噪比进行了良好的权衡。通过仿真和实验可以得到，使用本发明将可以极大提高低功耗设备的识别性能，尤其在高信噪比环境中有较大的改进效果。

附图说明

图1为本发明的一个实施例的流程示意图；

图2为本发明采用的ZigBee模块的工作模式切换示意图；

图3为本发明30dB信噪比下预处理后的同相信号分段；

图4为使用该发明方法和不使用本发明方法在高噪比下提高设备识别率的结果示意图。

具体实施方式

本实施例提供了一种鲁棒的低功耗设备射频指纹识别方法，如图1所示，包括以下步骤：

(1)采集不同信噪比仿真环境中低功耗设备的输出信号，包括正常模式和从低功耗模式切换到正常模式的信号。

本实施例中，选用54个ZigBee无线发射模块作为目标无线设备并进行1-54编号。在近距离、可视距、接收信噪比很高的无线环境下接收ZigBee无线发射模块发射的无线信号，也可以通过直接同轴线加衰减器连接采集无线信号。ZigBee发射模块的工作模式如图2所示，采集信号时存在两种发射模式：连续工作在正常模式(主动模式和空闲模式)，或者使用上电复位模拟ZigBee从低功耗模式(睡眠模式)中唤醒到正常模式发送信号。仿真环境中的高斯白噪声模拟的信噪比为从0dB到30dB，每隔5dB为一组，每个信噪比下所有采集的信号模拟一次。

(2)对不同信噪比仿真环境中采集的信号进行预处理，并将预处理后的信号按预设比例随机划分成训练集和验证集。

所述预处理具体包括下变频、过采样、信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿。其中，本实施例采用的ZigBee设备的符号速率为1Mbps，采集的无线信号直接下变频得到基带信号：其中x(t)代表发送信号的复基带表示，Δf是下变频后残留的频偏，代表相偏。下变频后用10Msps采样率对该基带信号进行10倍过采样和存储。之后利用变化点检测原理来粗略判定每一帧信号的起始和结束，完成信号检测和截取。然后将截取的帧信号进行能量归一化，得到：其中A为加噪y(t)的均方根。能量归一化能够避免信号发送功率和距离对识别产生影响，在本发明中不考虑通过接收信号功率来识别目标设备距离作为指纹特征。)能量归一化后的信号y'(t)还存在残留的频偏和相偏，由于频偏和相偏是两个容易被仿冒的参数，为了提取设备本身更加本质的指纹特征，在指纹提取前首先进行精确的频偏相偏估计和补偿(具体方法参照专利201510797097.8)。在30dB信噪比下，预处理后的一帧低功耗模式切换下的信号的同相部分如图3所示，其前导部分应该进行进一步细分，分为前几个符号的半稳态信号段和后几个符号的稳态信号段。

(3)对于训练集中的所有信号，选择其前导的最后i个符号作为训练样本，即目标信号区间为i的训练样本，选择训练样本的设备型号作为对应标签，进行卷积神经网络训练，从而得到目标信号区间为i的卷积神经网络CNN_i，其中，i＝1,…,n，n为前导符号个数。

由于本实施例中选用的是ZigBee设备，遵循IEEE 802.15.4标准，其前导包含8个符号，因此，本实施例中n＝8。对于训练集中的所有信号，依次选择其前导的最后1个符号到最后8个符号作为训练样本，进行卷积神经网络训练，从而得到目标信号区间为1到8的8个卷积神经网络。

其中，本实施例的卷积神经网络包含两个卷积层和两个池化层，卷积层依次选用10×1和3×2的卷积核，池化层大小依次为3×1和2×1，第二个池化层输出的即为提取的特征。然后，将其输入到选择一个Softmax层作为分类器进行设备分类，将结果通过one-hot编码输出预测的设备型号。可以理解的，特征提取方法包括但不限于提取传统的手工选取的一个或多个特征以及卷积神经网络等自动特征提取方法，识别方法包括但不限于机器学习、深度学习等现有方法中的一种或多种。

(4)将验证集按照采集环境的信噪比区间划分为多个子集合，对于每个信噪比区间对应的子集合中的信号，分别采用训练好的n个卷积神经网络进行指纹识别，将识别准确率最高的卷积神经网络对应的目标信号区间作为该信噪比区间下的最优目标信号区间。具体包括：

(4.1)将采集环境中的信噪比划分为m个区间，并将验证集按照采集环境信噪比区间划分为多个子集合，m为正整数；

(4.2)对于每个子集合中的信号，分别采用步骤(3)训练好的n个卷积神经网络进行指纹识别；

(4.3)计算信噪比区间j对应的子集合信号采用第i个卷积神经网络CNN_i进行识别的识别准确率i＝1,…,n，j＝1,…,m；

(4.4)对于信噪比区间j，选取识别准确率最高的卷积神经网络对应的目标信号区间作为最优目标信号区间ROI_j：

其中，j＝1,…,m。

本实施例中，信噪比设为0～30dB，每隔5dB为一组，因此信噪比区间具体是一个数值，分别为0,5,10,15,20,25,30，通过计算准确率后，得到以下表：

信噪比(dB)	0	5	10	15	20	25	30
								最优目标信号区间	8	8	8	5	5	5	4

(5)将待识别低功耗设备的输出信号进行预处理后，计算信噪比，并选择该信噪比所在区间对应的最优目标信号区间i*，获取预处理后前导信号中最后i*个符号作为输入，采用i*对应的卷积神经网络CNN_i*进行识别，得到预测的设备型号。

本实施例中，因为信噪比是一个数值，而不是区间，因此，可选择待识别设备输出信号的信噪比接近的值，选择最优目标信号区间i*。

通过本发明方法，可以有效的提升对低功耗设备的识别和分类的准确率。图4所示的为使用本方法对半稳态信号区间进行处理以及不使用本方法直接使用整个前导进行分类的测试结果，其中两者均采用一个两层的卷积神经网络作为射频指纹提取器和分类器，其超参数的设置也都一致。可以看出，在使用本发明方法时，识别正确率在较高信噪比情况下(15至30dB)有显著的提升，其根源在于在较高信噪比时，丢弃了前面的半稳态信号部分进行射频指纹的提取来进行识别，减少了设备低功耗模式切换造成的抖动影响。

以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (5)

1.一种鲁棒的低功耗设备射频指纹识别方法，其特征在于该方法包括以下步骤：

(1)采集不同信噪比仿真环境中低功耗设备的输出信号，包括正常模式和从低功耗模式切换到正常模式的信号；

(2)对不同信噪比仿真环境中采集的信号进行预处理，并将预处理后的信号按预设比例随机划分成训练集和验证集；

(3)对于训练集中的所有信号，选择其前导的最后i个符号作为训练样本，即目标信号区间为i的训练样本，选择训练样本的设备型号作为对应标签，进行卷积神经网络训练，从而得到目标信号区间为i的卷积神经网络CNN_i，其中，i＝1,…,n，n为前导符号个数；

(4)将验证集按照采集环境的信噪比区间划分为多个子集合，对于每个信噪比区间对应的子集合中的信号，分别采用训练好的n个卷积神经网络进行指纹识别，将识别准确率最高的卷积神经网络对应的目标信号区间作为该信噪比区间下的最优目标信号区间；

(5)将待识别低功耗设备的输出信号进行预处理后，计算信噪比，并选择该信噪比所在区间对应的最优目标信号区间i*，获取预处理后前导信号中最后i*个符号作为输入，采用i*对应的卷积神经网络CNN_i*进行识别，得到预测的设备型号。

2.根据权利要求1所述的低功耗设备射频指纹识别方法，其特征在于：步骤(1)中采集无线设备的输出信号时，通过直接同轴线加衰减器连接采集信号，或者是在近距离、可视距、信噪比高于预设值的无线接收环境下采集信号。

3.根据权利要求1所述的低功耗设备射频指纹识别方法，其特征在于：所述预处理包括：下变频、过采样、信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿、I/Q路信号提取。

4.根据权利要求1所述的低功耗设备射频指纹识别方法，其特征在于：步骤(2)中信号划分的方法包括交叉验证发、留出法和自助法。

5.根据权利要求1所述的低功耗设备射频指纹识别方法，其特征在于：步骤(4)具体包括：

(4.1)将采集环境中的信噪比划分为m个区间，并将验证集按照采集环境信噪比区间划分为多个子集合，m为正整数；

(4.2)对于每个子集合中的信号，分别采用步骤(3)训练好的n个卷积神经网络进行指纹识别；

(4.3)计算信噪比区间j对应的子集合信号采用第i个卷积神经网络CNN_i进行识别的识别准确率

(4.4)对于信噪比区间j，选取识别准确率最高的卷积神经网络对应的目标信号区间作为最优目标信号区间ROI_j：

其中，j＝1,…,m。