CN111866860B - 一种基于序贯的无线设备射频指纹识别方法 - Google Patents
一种基于序贯的无线设备射频指纹识别方法 Download PDFInfo
- Publication number
- CN111866860B CN111866860B CN202010474911.3A CN202010474911A CN111866860B CN 111866860 B CN111866860 B CN 111866860B CN 202010474911 A CN202010474911 A CN 202010474911A CN 111866860 B CN111866860 B CN 111866860B
- Authority
- CN
- China
- Prior art keywords
- signal
- fingerprint
- similarity
- sub
- signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001052 transient effect Effects 0.000 claims abstract description 15
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 240000002989 Euphorbia neriifolia Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开以一种基于序贯的无线设备射频指纹识别方法,首先将时序信号按照时间段分割成一个个子时间段,对不同的时间段根据射频指纹特征分别分选,再将不同时间段的分选结果进行合并。本发明更加适用于计算力不高低耗能的终端;接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新;且综合考量瞬态指纹特征和稳态指纹特征,以充足特征量作为准确分裂的依据,有效的解决了信号源实施快速识别和信号源库实时更新的问题。
Description
技术领域
本发明属于物理层安全领域,具体涉及一种基于序贯的无线设备射频指纹识别方法。
背景技术
随着通信技术与物联网的发展,我们已经逐步买入了万物互联的时代。智能家居、智慧交通、智慧医疗等得到迅速的发展与应用。越来越多的设备接入无线网络,无线通信网络的通信安全不容忽视,信息安全得到了越来越多的关注和重视。
为了保障网络中通信设备的通信安全,一些方法提出了利用设备所固有的特征进行发射端识别的方法。无线设备在加工过程中因为制造工艺误差导致设备具有难以复制的特征,该特征具体体现在设备发出的射频信号中,此射频信号具有的特征称为该无线设备的“射频指纹”。射频指纹像人的指纹一样具有唯一、稳定、通用等特性,因此射频指纹可以用于发射设备的识别。发送端无线信号的射频指纹识别和认证技术可以有效的提高无线网络通信安全。
现有的射频指纹技术可以准确地识别多类型的无线发射设备,且此技术已经在商业、民生和国防领域得到了切实有效地验证。现阶段射频指纹技术的研究与开发大多基于单天线,致使现有技术的应用场景单一,成熟技术和设备只能服务于各专用通信网络。在下一代通信网络中,大量的终端将接入物联网实现万物互联。综合考虑应用环境,终端设备通常要求尺寸小、能耗低、通信效率高,因此设备的计算能力不高,传统基于密钥保护的技术无法广泛适用。射频指纹的方法即可以有效的进行设备识别又不需要额外的传输开销,因此可以在物联网各应用场景中得到广泛应用。
射频指纹的相关研究起步较早,可以追溯到二战时期的雷达辐射源识别,美国海军研究实验室、雷神公司和诺格公司等研究组织和公司先后研究与开发了多型特定辐射源识别技术用于目标识别。随着商用和民用无线设备指数级的增加,射频指纹技术也迎来了蓬勃的发展。射频指纹的研究可以分为基于瞬态信号的射频指纹技术研究和基于稳态信号的射频指纹技术研究。发射机在开启或关闭时,功率从零到达额定功率或者从额定功率到达零,这部分信号持续时间很短,一般在纳秒级,这段信号不承载任何传输数据,它具有数据独立性且和发射端的硬件特征相关。瞬态指纹特征的提取即基于这段信号。当发射机稳定工作时,输出信号功率相对稳定,稳态指纹特征的提取基于此阶段信号。
然而不论是瞬态指纹还是稳态指纹的研究,都基于全时段信号的处理和分析,这类方法具有处理数据大,计算复杂,识别周期较长等缺点,且受短时间周期内环境变化影响较大。针对这些情况本发明中提出的一种基于序贯的无线设备射频指纹识别方法,不仅可以通过分段处理的方式对信号进行分段处理降低计算量和识别周期,还使得子时间段信号由于环境引入的缺陷对识别结果的影响最大程度的降低,不仅保证了分选的准确性还具有实时更新信号源库的特征。因此一种基于序贯的无线设备射频指纹识别方法就有很强的创新性及实用价值。
发明内容
发明目的:为了解决现有技术存在的问题,实现射频信号实时低计算量检测和信号源库信号源个数和特征的更新,本发明提供了一种基于序贯的无线设备射频指纹识别方法。
技术方案:本发明所述的一种基于序贯的无线设备射频指纹识别方法,具体包括以下步骤:
(1)接收机接收到的信号为y(t),实时的将接收到的信号按照等间隔时长Δt分成若干子时间长信号y1(t),y2(t),…,yn(t);
(2)引入顺序的子时间长信号;
(3)提取子时间信号的包络,方法如下:
xFm(t)=|H[xm(t)]| (3)
其中,H[.]表示希尔伯特变换,|·|表示绝对值;
(4)对应发射端实际发送信号的三个阶段,即开机瞬间的功率上升阶段,信号保持额定功率的稳定工作阶段和信号结束时的功率下降阶段,从信号中提取出两种指纹特征,即在功率上升阶段和功率下降阶段提取出的瞬态指纹,在功率稳定阶段提取出的稳态指纹,获得子时间段m提取到的指纹;
(5)信号内特征相似度Smn由信号源n的N1+N2个特征的分别相似度综合表示,即:
Smn=[ET1,ET2,...,ETN1,ES1,ES2,...,ESN2] (5)
其中,ET.为瞬态指纹特征的相似度,ES.为稳态个相似度,且ET.,ES.∈[0,1];
(6)将子时间段m提取的指纹与已有信号源指纹特征库中的指纹特征进行比对,更新其和库中已有N个信号源的相似度,得到信号间特征相似度:
Rm=[Sm1,Sm2,...,Smn,...,SmN] (6)
其中,Smn表示子时间段m信号于信号源n的相似度;
(7)根据场景要求预设信号源的相似度判决阈值,即满足当至少Q个相似度达到相似度P时,其中min(N1,N2)≤Q≤N1+N2,0.9≤P≤1;满足判决条件时即认证该信号属于响应的信号源,结合新的识别出的信号特征,更新该信号源的特征参数;
(8)判断是否达到预设的缓冲区阈值,如果未达到缓冲区阈值,返回步骤(2),计算顺序子时间段信号的特征及相似度;
(9)如未达到相似度判决阈值,但是达到了缓冲区阈值,将此信号特征更新到已有信号特征库作为新入库信号源特征。
进一步地,步骤(1)中接收到的实时信号应为过采样信号,采样率应大于奈奎斯特采样率。
进一步地,所述步骤(2)的实现过程如下:
已知接收到的信号为:
y(t)=x(t)Hc (1)
x(t)为包含反射端指纹信息的发送信号,根据已知信道状态信息Hc,从各子时间长信号中还原包含发射端指纹信息的发射信号:
进一步地,步骤(4)所述子时间段m提取到的指纹为:
Fm=[FT,FS]=[FT1,FT2,...,FTN1,FS1,FS2,...,FSN2] (4)
其中,FT,FT1,FT2,...,FTN1为瞬态指纹特征,FS,FS1,FS2,...,FSN2为稳态指纹特征。
进一步地,步骤(5)所述的信号内特征相似度Smn是随着检测子序列增加而动态更新。
有益效果:与现有技术相比,本发明的有益效果为:1、本发明更加适用于计算力不高低耗能的终端;2、接收机在接收信号的同时可以实时的实现信号的分割分析识别与指纹特征的更新和信号源特征库的更新;3、本发明综合考量瞬态指纹特征和稳态指纹特征,以充足特征量作为准确分裂的依据,有效的解决了信号源实施快速识别和信号源库实时更新的问题。
附图说明
图1为本发明的方法流程图;
图2为具体实施例中分选结果示例图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细说明:
本专利提供了一种基于序贯的无线设备射频指纹识别方法,通过本方法,接收机接收射频信号的同时,可以同时进行信号源的射频指纹特征匹配和信号源库特征的更新。
如图1所示,本发明具体包括以下步骤:
步骤一:接收机接收到的信号为y(t),实时的将接收到的信号按照等间隔时长Δt分成若干子时间长信号y1(t),y2(t),…,yn(t).其中,接收到的时序信号应为过采样信号,采样率应大于奈奎斯特采样率。
步骤二:引入顺序的子时间长信号。
已知接收到的信号为:
y(t)=x(t)Hc (1)
x(t)为包含反射端指纹信息的发送信号,根据已知信道状态信息Hc,从各子时间长信号中还原包含发射端指纹信息的发射信号:
步骤三:提取子时间信号的包络,方法如下:
xFm(t)=|H[xm(t)]| (3)
其中,H[.]表示希尔伯特变换,|·|表示绝对值。
步骤四:对应发射端实际发送信号的三个阶段,即开机瞬间的功率上升阶段,信号保持额定功率的稳定工作阶段,和信号结束时的功率下降阶段。可以从信号中提取出两种指纹特征,即在功率上升阶段和功率下降阶段提取出的瞬态指纹,在功率稳定阶段提取出的稳态指纹。具体子时间段m提取到的指纹为:
Fm=[FT,FS]=[FT1,FT2,...,FTN1,FS1,FS2,...,FSN2] (4)
其中,FT,FT1,FT2,...,FTN1为瞬态指纹特征,FS,FS1,FS2,...,FSN2为稳态指纹特征。
提取到的子时间段m的指纹特征兼顾瞬态指纹特征和稳态指纹特征,且两类特征共存于一个特征向量中。
步骤五:信号内特征相似度Smn由信号源n的N1+N2个特征的分别相似度综合表示,即:
Smn=[ET1,ET2,...,ETN1,ES1,ES2,...,ESN2] (5)
其中,ET.为瞬态指纹特征的相似度,ES.为稳态个相似度,且ET.,ES.∈[0,1]。
此处,相似度的计算包括但是不仅限于基于欧氏距离,马氏距离,聚类算法,神经网络,卷积网络等方法。信号内特征相似度是随着检测子序列增加而动态更新,并非固定不变的参数值。
步骤六:将子时间段m指纹于已有信号源指纹特征库中的指纹特征进行比对,更新其和库中已有N个信号源的相似度,得到相似度:
Rm=[Sm1,Sm2,...,Smn,...,SmN] (6)
其中,Smn表示子时间段m信号于信号源n的相似度。相似度向量记录的是该信号源和库中每一个已知信号源的相似度,便于统计初时由于环境影响相似度不高但是随着观察时间越久特征越来越明显的情况,因此使本方法有观察越久准确率越高的特点。
步骤七:根据场景要求预设信号源的相似度判决阈值,即满足当至少Q个相似度达到相似度P时,其中min(N1,N2)≤Q≤N1+N2,0.9≤P≤1;满足判决条件时即认证该信号属于响应的信号源,结合新的识别出的信号特征,更新该信号源的特征参数。
此处考量标准不仅有特征相似度,还有高相似度特征数量的考量。可以借助最新信道状态下已识别信号源的特征对信号源库进行更新,以保证与时俱进的信号源特征状态,提高分选准确率。
步骤八:判断是否达到缓冲区阈值,如果未达到缓冲区阈值,返回步骤二,计算顺序子时间段信号的特征及相似度。可增加观测时长增加观测数据的机制,以充分分析信号源的特征进行识别。
步骤九:如未达到相似度判决阈值,但是达到了缓冲区阈值,将此信号特征更新到已有信号特征库作为新入库信号源特征。
设置的缓冲区机制对于未知信号源的识别,保证信号源库的实时性。
本实例中,对12个不同场景,1-6个不同信号源进行了身份识别研究。通过上述方法进行序贯的实时的信号分选。其中一个场景的分选结果如图2所示,准确识别出了场景中存在的两个信号源。12个场景的指纹识别率几乎达到了100%。从信号开始到识别出结果平均经历使用了45.32%全信号长度。这证明了本发明中的技术所需计算力低识别速度快,而且随着系统运行信号源库数据可以进行实时更新,运行时间越长识别准确率越高。
Claims (4)
1.一种基于序贯的无线设备射频指纹识别方法,其特征在于,包括以下步骤:
(1)接收机接收到的信号为y(t),将接收到的实时信号按照等间隔时长Δt分成若干子时间长信号y1(t),y2(t),…,yn(t);
(2)引入顺序的子时间长信号:
已知接收到的信号为:
y(t)=x(t)Hc (1)
其中,x(t)为包含反射端指纹信息的发送信号,根据已知信道状态信息Hc,从各子时间长信号中还原包含发射端指纹信息的发射信号:
(3)提取子时间信号的包络,方法如下:
xFm(t)=|H[xm(t)]| (3)
其中,H[.]表示希尔伯特变换,|·|表示绝对值;
(4)对应发射端实际发送信号的三个阶段,即开机瞬间的功率上升阶段,信号保持额定功率的稳定工作阶段和信号结束时的功率下降阶段,从信号中提取出两种指纹特征,即在功率上升阶段和功率下降阶段提取出的瞬态指纹,在功率稳定阶段提取出的稳态指纹,获得子时间段m提取到的指纹;
(5)信号内特征相似度Smn由信号源n的N1+N2个特征的分别相似度综合表示,即:
Smn=[ET1,ET2,...,ETN1,ES1,ES2,...,ESN2] (5)
其中,ET.为瞬态指纹特征的相似度,ES.为稳态个相似度,且ET.,ES.∈[0,1];
(6)将子时间段m提取的指纹与已有信号源指纹特征库中的指纹特征进行比对,更新其和库中已有N个信号源的相似度,得到信号间特征相似度:
Rm=[Sm1,Sm2,...,Smn,...,SmN] (6)
其中,Smn表示子时间段m信号于信号源n的相似度;
(7)根据场景要求预设信号源的相似度判决阈值,即满足当至少Q个相似度达到相似度P时,其中min(N1,N2)≤Q≤N1+N2,0.9≤P≤1;满足判决条件时即认证该信号属于响应的信号源,结合新的识别出的信号特征,更新该信号源的特征参数;
(8)判断是否达到预设的缓冲区阈值,如果未达到缓冲区阈值,返回步骤(2),计算顺序子时间段信号的特征及相似度;
(9)如未达到相似度判决阈值,但是达到了缓冲区阈值,将此信号特征更新到已有信号特征库作为新入库信号源特征。
2.根据权利 要求1所述的一种基于序贯的无线设备射频指纹识别方法,其特征在于,步骤(1)中所述的接收到的实时信号应为过采样信号,采样率应大于奈奎斯特采样率。
3.根据权利 要求1所述的一种基于序贯的无线设备射频指纹识别方法,其特征在于,步骤(4)所述子时间段m提取到的指纹为:
Fm=[FT,FS]=[FT1,FT2,...,FTN1,FS1,FS2,...,FSN2] (4)
其中,FT,FT1,FT2,...,FTN1为瞬态指纹特征,FS,FS1,FS2,...,FSN2为稳态指纹特征。
4.根据权利 要求1所述的一种基于序贯的无线设备射频指纹识别方法,其特征在于,步骤(5)所述的信号内特征相似度Smn是随着检测子序列增加而动态更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474911.3A CN111866860B (zh) | 2020-05-29 | 2020-05-29 | 一种基于序贯的无线设备射频指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474911.3A CN111866860B (zh) | 2020-05-29 | 2020-05-29 | 一种基于序贯的无线设备射频指纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111866860A CN111866860A (zh) | 2020-10-30 |
CN111866860B true CN111866860B (zh) | 2022-11-04 |
Family
ID=72985988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474911.3A Active CN111866860B (zh) | 2020-05-29 | 2020-05-29 | 一种基于序贯的无线设备射频指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111866860B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446877A (zh) * | 2016-11-21 | 2017-02-22 | 电子科技大学 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
CN110346763A (zh) * | 2019-07-17 | 2019-10-18 | 东南大学 | 一种用于雷达lfm信号的抗噪声射频指纹识别方法 |
-
2020
- 2020-05-29 CN CN202010474911.3A patent/CN111866860B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446877A (zh) * | 2016-11-21 | 2017-02-22 | 电子科技大学 | 一种基于信号幅度排序的射频指纹特征提取和识别方法 |
CN110346763A (zh) * | 2019-07-17 | 2019-10-18 | 东南大学 | 一种用于雷达lfm信号的抗噪声射频指纹识别方法 |
Non-Patent Citations (1)
Title |
---|
"多径环境下Wi-Fi射频指纹提取与识别";崔正阳;《中国优秀硕士学位论文全文数据库》;20220415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111866860A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN108090462B (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN111177358B (zh) | 意图识别方法、服务器及存储介质 | |
CN111060878B (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
CN109212491A (zh) | 一种基于雷达信号指纹特征的辐射源识别方法 | |
CN110601764A (zh) | 一种基于光学辅助的射频调制格式识别方法 | |
Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN111866860B (zh) | 一种基于序贯的无线设备射频指纹识别方法 | |
CN117743946A (zh) | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 | |
CN116842450A (zh) | 一种基于深度度量学习的雷达辐射源个体识别方法 | |
CN111832632B (zh) | 基于高次频谱对称Holder系数的雷达信号分选方法及系统 | |
CN116383719A (zh) | 一种用于lfm雷达的mgf射频指纹识别方法 | |
CN109587136B (zh) | 一种基于双极大值的射频指纹特征提取和识别方法 | |
Ding et al. | Radio frequency fingerprint extraction based on singular values and singular vectors of time-frequency spectrum | |
CN115333903B (zh) | 同步头检测方法、同步方法、装置、接收机及通信系统 | |
Ma et al. | Radar working mode recognition based on hierarchical feature representation and clustering | |
CN111767695B (zh) | 一种协议反向工程中字段边界推理优化方法 | |
CN112836104B (zh) | 一种数据库辅助自主聚类信号分选方法及系统 | |
Yang et al. | Wireless communication jamming recognition based on lightweight residual network | |
CN111552963B (zh) | 一种基于结构熵序列的恶意软件分类方法 | |
CN114282026A (zh) | 一种图像数据的存储方法、装置、电子设备及存储介质 | |
CN111814703A (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
CN114595711B (zh) | 一种基于方向敏感特性的射频标签认证方法 | |
Wen et al. | RF transmitter identification and classification based on deep residual shrinkage network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |