CN111160424A - 一种基于cnn图像识别的nfc设备指纹认证方法及系统 - Google Patents

Abstract

本发明公开了一种基于CNN图像识别的电网NFC设备指纹认证方法及系统，通过对安全NFC设备传输数据时的模拟信号进行预处理，利用MATLAB软件绘制成图像，通过卷积神经网络(CNN)提取特征，建立正样本的模型库，实现对NFC设备接入系统的非接触式安全监测。通过模拟信号采集、图像数据预处理、图像特征提取，建立正确设备模型库，实现对电网NFC设备的安全监测。本发明可以实现对电网NFC设备的接入安全监测，提高电力物联网系统的安全性和可靠性。

Description

一种基于CNN图像识别的NFC设备指纹认证方法及系统

技术领域

本发明属于智能电网安全领域，涉及一种基于CNN图像识别的NFC设备指纹认证方法及系统。

背景技术

电力系统作为电能生产、传输的平台，与我们的生活密切相关。为了保障居民的用电安全，电力系统需要满足可靠性、灵活性和经济性。随着信息化程度的快速提升，电力系统发展出了电力物联网系统。然而由于物联网终端设备的异构性、广泛性，电力物联网在系统安全、软件可信、安全接入、数据采集、智能管控等方面均面临严重的网络安全问题。在智能电网中，电气设备的名牌、标签等逐渐向着电子化方向发展。例如，系统给现场电气设备配置电子式标签名牌，可以对电气设备的参数和具体运行的实际情况等进行实时监测。同时，在智能化电网中的备品备件管理中，仓库中的全部备品备件均配备NFC电子标签。在备品需要出入库时，可以借助非接触形式的终端自动记录进出库情况；同时，还可以构建相应的库存数据，在用户需要索引设备时，可以通过相应的数据库快速获得所需要的信息。

但NFC设备容易受到攻击者的攻击，例如：修改位于0扇区的初始编号以混淆正确和错误的设备、采集正确通过验证时的信号进行重放攻击以通过验证等。在这种情况下，仅仅通过NFC本身携带的数据进行辨认已经不足以保证电网的安全。因此，对NFC设备进行指纹认证检测判断并确认其安全性成为了一个亟待解决的问题。目前针对智能电网场景下设备的安全研究主要集中在访问控制以及安全评估模型方面，对NFC设备的指纹认证问题研究不多。

发明内容

NFC设备在每次传输的时候发出的信号由于外界设备电磁干扰等影响会有所不同，但在频域特征和时域特征上具有一致性，卷积神经网络在卷积层对图像进行特征提取和特征映射，当样本数量足够多时可以充分提取特征。在NFC设备进行数据交换时，可以提取到含有硬件本征特征的数据，对该数据进行处理后，利用卷积神经网络进行特征提取建立基于正确样本的模型库，即使攻击者复制了其扇区内的数据，电网系统也可以对正确NFC设备进行一对一的认证，保证系统安全。

为了实现上述目的，本发明提出一种基于CNN图像识别的NFC设备指纹认证方法，通过对安全NFC设备传输数据时的模拟信号进行预处理，利用MATLAB软件绘制成图像，通过卷积神经网络(CNN)提取特征，建立正样本的模型库，实现对NFC设备接入系统的非接触式安全监测。通过模拟信号采集、图像数据预处理、图像特征提取，建立正确设备模型库，实现对电网NFC设备的安全监测。本发明可以实现对电网NFC设备的接入安全监测，提高电力物联网系统的安全性和可靠性。具体方案如下：

(1)将确认安全的NFC设备接入系统，获取NFC设备的扇区编号RID；

(2)采集确认安全的NFC设备的模拟信号，包括读取信息、写入信息和正常放置状态；

(3)将步骤(2)得到的模拟信号输入MATLAB软件获得信号图像，通过离群点检测算法滤去异常值，通过滤波器进行平滑滤波，将滤波后的数据进行切分，将每一段数据转换为相应的包含数据特征的图像，得到样本图像集；

(4)将步骤(3)得到样本图像集输入CNN网络进行训练，提取到相应的特征并得到相应的单分类器及其输出结果，其中每一个样本图像对应一个单分类器；

(5)建立单分类器数据库，重复步骤(1)-(4)，将步骤(1)得到的确认安全的NFC设备的编号RID和步骤(4)得到的确认安全的NFC设备对应的单分类器及其输出结果存入单分类器数据库；

(6)获取待检测的NFC设备的扇区编号，判断扇区编号是否被数据库收入，若否，则待检测的NFC设备为未经数据库录入的设备，在确认其安全的情况下重复步骤(1)-(5)，对数据库进行更新，待检测的NFC设备认证成功，允许接入；若是，则执行步骤(7)；

(7)获取待检测的NFC设备的模拟信号，通过步骤(2)-(3)得到待测样本图像；将待测样本图像输入数据库中的每一个单分类器，得到每一个单分类器的输出结果1或0，若存在单分类器输出结果为1，则待检测的NFC设备认证成功，允许接入；否则，待检测的NFC设备认证失败，拒绝接入并发出警告。

为了实现上述方法，本发明还公开了一种基于CNN图像识别的NFC设备指纹认证系统，包括：

信号采集模块，用于采集NFC设备的扇区编号、以及NFC设备在与读卡器交换信息时的模拟信号；

信号图像处理模块，用于对模拟信号进行预处理，包括去异常值、滤波、切分和图像转换；

信号特征提取模块，包括特征提取单元和映射单元，每一个特征提取单元后面连着一个映射单元，用于提取图像的特征；

单分类器数据库，用于存储每一个确认安全的NFC设备的扇区编号、相对应的单分类器及其输出结果；

设备指纹认证模块，包括模型建立单元和异常检测单元；所述模型建立单元用于构建CNN网络并进行训练，获取相对应的单分类器及其输出结果；所述异常检测单元用于加载单分类器数据库，对输入的待检测信号进行匹配，辨识设备身份。

本发明具备的有益效果为：

(1)本发明中的NFC设备指纹认证的流程包括NFC交换信息时模拟信号采集、数据预处理、图像特征提取、安全NFC模型建立、攻击者设备检测。通过对电网NFC设备交换信息时的模拟信号进行分类，选择信号交换时的图像作为设备接入的判断依据，并通过模型训练建立NFC设备数据库，与NFC设备进行一对一的认证，从而判断接入设备是否异常，具有较高的安全性，有效解决了物联网NFC设备的设备身份辨识问题。

(2)通过将模拟信号数据转换为图像格式，提取图像特征，模拟态内在的复杂机理使得图像特征难以仿造。

(3)本发明采用单分类器，可以建立独立的数据库；相比于多分类器需要在每次加入新安全设备时进行重新训练，单分类器一旦训练完毕就可以一直使用；增加新安全设备只需要增加新的单分类器，将其加入数据库。

附图说明

图1为本发明的系统结构示意图；

图2为NFC设备发送信号的时域图；

图3为接收信号的时域图；

图4为CNN网络中的单层神经网络结构示意图；

图5为本发明的方法流程示意图。

具体实施方式

为了使本发明的内容、效果更加清楚明白，下面对本发明的优选实施方式作出详细的说明。

本发明提供的利用卷积神经网络(CNN)图像识别的一种电网NFC设备指纹认证方法，首先通过通用软件无线电外设(USRP)采集安全NFC设备在与读卡器进行信号交换时的信号；通过MATLAB软件对数据预处理并绘制时域图像；然后将处理后的图像输入卷积神经网络(CNN)提取相应特征；调整参数以获得具有代表性的特征信息；最后建立正样本的模型库用于设备身份认证。本发明提供的一种基于CNN图像识别的电网NFC设备指纹认证系统，其结构框图如图1所示，包括信号采集模块、信号图像预处理模块、信号特征提取模块和设备指纹认证模块。其中：

在设备信号采集模块中，采集NFC设备在与读卡器交换信息时的信号。NFC(NearField Communication)近场通信技术，又称近距离无线通信，允许电子设备之间进行非接触式点对点数据传输(在十厘米内)交换数据。作为一种距离的高频无线通信技术，NFC由免接触式射频识别(RFID)演变而来，并向下兼容RFID。NFC的信息传递通过频谱中无线频率部分的电磁感应耦合方式传递，这点与RFID相似。与可用于数据交换的红外线传输方式相比，NFC具有传输距离较短，传输创建速度较快，传输速度较快，功耗低的优点。NFC工作频率为13.56MHz、ASK调变，传输速率可分为106kbps/212kbps/424kbps三种。通信模式可分为主动模式与被动模式。本发明中，主要利用被动模式，采集NFC设备及读写器数据交换时的信号，作为设备的本征差异初始信号。

信号的采集方法主要分为主动激励法和被动检测法两类。其中主动激励法利用物联网设备程序现有的接口，命令物联网设备执行一个指定的操作，采集设备内置传感器的数据或通过外置传感器采集模拟信号。被动检测法利用物联网设备在运行状态时的内置传感器信息或通过外置传感器采集得到模拟信号。在本发明的一个具体实施中，采用主动激励法，在NFC设备交换数据时使用通用软件无线电外围设备(USRP)采集信号。图2为设备发送信号时的时域图；图3为设备接受信号时的时域图。

在信号图像预处理模块中，利用MATLAB软件对采集到的模拟态设备指纹原始信息进行预处理，首先通过离群点检测算法滤去异常值，再选择合适的滤波器进行平滑滤波，然后对数据进行裁剪，保证所有数据均为相同大小格式，最后将数据转换为相应的I/O信道、频率、相位等包含数据特征的图像。

在信号特征提取模块中，使用卷积神经网络(CNN)提取初始特征包括时域、频域及小波域特征，如最大值、最小值、平均值、频谱均值等，以及能够较好表达信号特点的概率密度分布特征，对特征进行提取。CNN网络包括特征提取层和特征映射层。

特征提取层将每个神经元的输入与前一层的接收域局部相连，并提取该局部特征由此确定此部分与其他特征间的位置关系。特征映射层采用影响函数小的SIGMOD函数作为激活函数，特征映射具有位移不变性；并使得网络计算层的多个特征映射平面上的所有神经元权值相等。同时，由于单个特征映射面的神经元共享权值，减少了自由参数的个数。卷积神经网络中的每个卷积层都伴随着求局部平均与二次提取的计算层，两次的特征提取减少了特征分辨率所带来的影响。如图4为一个单层的神经网络结构示意图，其计算表达式为：

利用测试样本对模型进行性能评估验证，根据评估结果对模型参数进行调整，提高设备辨识的稳定性和准确性。

在设备指纹认证模块中，设计设备接入认证机制及在线辨识方法。当设备请求入网时，应用软件调用系统API(Application Programming Interface，应用程序编程接口)获取NFC扇区内信息并上传至云端设备认证中心，采集设备模拟信息，经过信号图像预处理后输入训练好的单分类器中，辨识设备身份。单类别分类(One class classification)是一个一类分类器，分类结果为两类：是这个类；不是这个类。单类别分类是一种非监督的学习，不需要标注训练集。

如图4所述为本发明的方法流程示意图，具体步骤如下：

S1：将确认安全的NFC设备接入系统，获取NFC设备的扇区编号RID；

S2：采集确认安全的NFC设备的模拟信号，包括读取信息、写入信息和正常放置状态；

S3：将步骤S2得到的模拟信号输入MATLAB软件获得信号图像，通过离群点检测算法滤去异常值，通过滤波器进行平滑滤波，将滤波后的数据进行切分，将每一段数据转换为相应的包含数据特征的图像，得到样本图像集；

S4：将步骤S3得到样本图像集输入CNN网络进行训练，提取到相应的特征并得到相应的单分类器及其输出结果，其中每一个样本图像对应一个单分类器；

S5：建立单分类器数据库，重复步骤S1-S4，将步骤S1得到的确认安全的NFC设备的编号RID和步骤S4得到的确认安全的NFC设备对应的单分类器及其输出结果存入单分类器数据库；

S6：获取待检测的NFC设备的扇区编号，判断扇区编号是否被数据库收入，若否，则待检测的NFC设备为未经数据库录入的设备，在确认其安全的情况下重复步骤S1-S5，对数据库进行更新，待检测的NFC设备认证成功，允许接入；若是，则执行步骤S7；

S7：获取待检测的NFC设备的模拟信号，通过步骤S2-S3得到待测样本图像；将待测样本图像输入数据库中的每一个单分类器，得到每一个单分类器的输出结果1或0，若存在单分类器输出结果为1，则待检测的NFC设备认证成功，允许接入；否则，待检测的NFC设备认证失败，拒绝接入并发出警告。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，依然可以对前述所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，这些修改和替换也视为本发明的保护范围。

Claims (4)

1.一种基于CNN图像识别的NFC设备指纹认证方法，其特征在于，包括如下步骤：

(1)将确认安全的NFC设备接入系统，获取NFC设备的扇区编号RID；

(2)采集确认安全的NFC设备的模拟信号，包括读取信息、写入信息和正常放置状态；

(3)将步骤(2)得到的模拟信号输入MATLAB软件获得信号图像，通过离群点检测算法滤去异常值，通过滤波器进行平滑滤波，将滤波后的数据进行切分，将每一段数据转换为相应的包含数据特征的图像，得到样本图像集；

(4)将步骤(3)得到样本图像集输入CNN网络进行训练，提取到相应的特征并得到相应的单分类器及其输出结果，其中每一个样本图像对应一个单分类器；

(5)建立单分类器数据库，重复步骤(1)-(4)，将步骤(1)得到的确认安全的NFC设备的编号RID和步骤(4)得到的确认安全的NFC设备对应的单分类器及其输出结果存入单分类器数据库；

(6)获取待检测的NFC设备的扇区编号，判断扇区编号是否被数据库收入，若否，则待检测的NFC设备为未经数据库录入的设备，在确认其安全的情况下重复步骤(1)-(5)，对数据库进行更新，待检测的NFC设备认证成功，允许接入；若是，则执行步骤(7)；

(7)获取待检测的NFC设备的模拟信号，通过步骤(2)-(3)得到待测样本图像；将待测样本图像输入数据库中的每一个单分类器，得到每一个单分类器的输出结果1或0，若存在单分类器输出结果为1，则待检测的NFC设备认证成功，允许接入；否则，待检测的NFC设备认证失败，拒绝接入并发出警告。

2.根据权利要求1所述的一种基于CNN图像识别的NFC设备指纹认证方法，其特征在于，所述CNN网络由若干个单层的神经网络组成，计算表达式为：

其中，x_i表示上层的第i个输入，W_i表示该输入的权重，n表示上层输入的个数，b是偏置常数。

3.根据权利要求1所述的一种基于CNN图像识别的NFC设备指纹认证方法，其特征在于步骤(3)所述离群点检测算法滤去异常值，具体为剔除不稳定的模拟信号，计算公式如下：

1≤i<j≤n,1≤h<k<T

其中，

表示NFC设备的硬件自身稳定性指标，

表示NFC设备的硬件差异性指标，

表示t时刻的NFC设备第i个硬件的第h个特征向量，

表示NFC设备第i个硬件的第k个特征向量，

表示NFC设备第i个硬件的第h个特征向量，USB为硬件本征差异可用性(F∈[0,1])，TH为区分不同硬件设备的阈值，当USB值＞TH值时，保留NFC设备中该硬件的模拟信号，否则剔除；num(·)表示集合的元素数量，T表示时间。

4.一种基于CNN图像识别的NFC设备指纹认证系统，其特征在于，用于实现权利要求1所述的NFC设备指纹认证方法，包括：

信号采集模块，用于采集NFC设备的扇区编号、以及NFC设备在与读卡器交换信息时的模拟信号；

信号图像处理模块，用于对模拟信号进行预处理，包括去异常值、滤波、切分和图像转换；

信号特征提取模块，包括特征提取单元和映射单元，每一个特征提取单元后面连着一个映射单元，用于提取图像的特征；

单分类器数据库，用于存储每一个确认安全的NFC设备的扇区编号、相对应的单分类器及其输出结果；

设备指纹认证模块，包括模型建立单元和异常检测单元；所述模型建立单元用于构建CNN网络并进行训练，获取相对应的单分类器及其输出结果；所述异常检测单元用于加载单分类器数据库，对输入的待检测信号进行匹配，辨识设备身份。

Images