CN112311480A - 一种通信辐射源个体识别方法 - Google Patents
一种通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112311480A CN112311480A CN202011184067.7A CN202011184067A CN112311480A CN 112311480 A CN112311480 A CN 112311480A CN 202011184067 A CN202011184067 A CN 202011184067A CN 112311480 A CN112311480 A CN 112311480A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- communication radiation
- transient signal
- transient
- individual
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/101—Monitoring; Testing of transmitters for measurement of specific parameters of the transmitter or components thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/15—Performance testing
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种通信辐射源个体识别方法,所述识别方法包括:通信辐射源个体发出瞬态信号;接收机对所述瞬态信号进行突变点检测和信号采集获取瞬态信号片段;将所述瞬态信号片段进行希尔伯特变换获取所述瞬态信号片段的瞬态包络;将所述瞬态包络进行三维熵特征提取获取所述通信辐射源个体的射频指纹;将所述射频指纹输入分类器进行识别并获取识别结果。本发明可以有效提高基于瞬态信号的指纹识别技术对相似度极高的通信辐射源个体的识别准确率。
Description
技术领域
本发明涉及信息安全领域,具体涉及射频指纹的提取与识别技术。
背景技术
信息安全是构建可靠、稳健的物联网的关键。随着无线通信网络带来的信息安全问题不断涌现,如何准确地识别和认证物联对象,阻止用户身份假冒和设备克隆等问题的发生,是物联网得以应用首要解决的问题。传统的认证机制是在应用层实现的,利用密码算法生成第三方难以仿冒的数值结果,但这种机制存在着协议安全漏洞和密钥泄露等风险。物联网感知层终端设备具有多样化、智能化、复杂化且数量庞大的特点,虽然传统的认证机制可以在一定程度上保障信息安全,但是并不适用于处理大规模网络及其所带来的海量数据,难以满足物联网的信息安全需求。
物理层认证是保障无线通信安全的核心技术之一,其基本原理是联合收发信道与传输信号的空时特异性,对通信双方的物理特征进行验证,从而在物理层实现身份认证。相比于应用层的认证技术,它能够有效抵御模仿攻击,具有认证速度快,复杂度低,兼容性好,不需要考虑各种协议执行的优点。
基于瞬态信号的指纹识别技术是在设备开启/关闭的瞬间,对所发送的一段瞬态/暂态信号进行射频指纹提取的过程。瞬态信号不包含任何数据信息,只体现发射机的硬件特征,具有独立性,射频指纹最初就是从瞬态信号中提取的,如瞬态信号的持续时间、分形维数特征、频谱特性、时域包络、小波系数等。从目前射频指纹识别的研究现状来看,提取具有独特原生属性的射频指纹仍然是一件极具挑战性的任务,提取的射频指纹仍然受大量因素的制约,在射频指纹产生机理、特征提取和特征选择方面,以及在射频指纹的鲁棒性和抗信道环境干扰等方面,还有大量问题有待研究。因此,基于物理层认证如何提高瞬态信号下射频指纹的采集质量,进而提高相似度极高的通信辐射源个体的识别率是目前有待解决的问题。
发明内容
本发明要解决的技术问题是如何提高瞬态信号下射频指纹的采集质量,进而提高相似度极高的通信辐射源个体的识别率,提供一种通信辐射源个体识别方法。
本发明是通过下述技术方案来解决上述技术问题:
一种通信辐射源个体识别方法,所述识别方法包括:
通信辐射源个体发出瞬态信号;
接收机对所述瞬态信号进行突变点检测和信号采集获取瞬态信号片段;
将所述瞬态信号片段进行希尔伯特变换获取所述瞬态信号片段的瞬态包络;
将所述瞬态包络进行三维熵特征提取获取所述通信辐射源个体的射频指纹;
将所述射频指纹输入分类器进行识别并获取识别结果。
较佳地,在进行所述希尔伯特变换和所述三维熵特征提取之前还包括对所述希尔伯特变换和所述三维熵的训练。
进一步地,所述瞬态信号为所述通信辐射源个体在开启或关闭瞬间发送的信号。
进一步地,所述三维熵包括:指数熵,香农熵和瑞丽熵。
进一步地,所述分类器为灰色关联分类器。
较佳地,所述识别包括:调制识别,个体识别以及物联网设备物理层认证。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:可以有效提高基于瞬态信号的指纹识别技术对相似度极高的通信辐射源个体的识别准确率。
附图说明
图1为本发明一种通信辐射源个体识别方法一实施例中的方法流程图;
图2为本发明一种通信辐射源个体识别方法一实施例中的技术方案图;
图3为本发明一种通信辐射源个体识别方法一实施例中的不同技术方案的技术效果对比图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1和图2所示分别为本发明一种通信辐射源个体识别方法的方法流程图和技术方案图:
S01:通信辐射源个体发出瞬态信号;
在一个示例中,采集了10个摩托罗拉对讲机的瞬态信号,所述瞬态信号为摩托罗拉对讲机开启或关闭时发出的一段瞬态射频信号。
S02:接收机对所述瞬态信号进行突变点检测和信号采集获取瞬态信号片段;
在一个示例中,进行瞬态信号片段采集前需要进行瞬态信号的突变点检测,使用安捷伦示波器采集,每个对讲机采了50组数据,采样频率40MHz,每组数据采集159901个点。实验室采集环境为LOS(Line Of Sight),总共有500个样本,随机选择200个样本用于训练,剩余的300个样本用于识别测试,其中对于每个对讲机,训练样本为20个,测试样本为30个。
S03:将所述瞬态信号片段进行希尔伯特变换获取所述瞬态信号片段的瞬态包络;
在一个示例中,对所述采集的瞬态信号片段进行希尔伯特变换(HilbertTransformation)提取所述瞬态信号片段的瞬时包络,所述瞬时包络中包含有瞬态幅值等信息。
S04:将所述瞬态包络进行三维熵特征提取获取所述通信辐射源个体的射频指纹;
在一个示例中,将所述包含有瞬态幅值信息的瞬时包络输入至三维熵对所述通信辐射源个体的特征进行提取进而获得所述通信辐射源个体的射频指纹。
S05:将所述射频指纹输入分类器进行识别并获取识别结果。
在一个示例中,如图3所示,三种对比算法:方法1、方法2和方法3所用的分类器都是灰色关联分类器,且都是先通过对瞬态信号片段进行Hilbert变换获得瞬时包络(即瞬时幅值),之后方法1采用PCA(Principal Component Analysis,主成分分析)进行射频指纹特征提取;方法2采用Holder系数特征进行射频指纹特征提取;方法3采用本发明所提出方法进行射频指纹特征提取;在信噪比为10dB时,本发明所提出的方法对同厂家同型号同批次的无线设备的平均识别准确率仍能保持在94.9%以上,论证了本发明所提出的方法的有效性与可靠性。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (6)
1.一种通信辐射源个体识别方法,其特征在于,所述识别方法包括:
通信辐射源个体发出瞬态信号;
接收机对所述瞬态信号进行突变点检测和信号采集获取瞬态信号片段;
将所述瞬态信号片段进行希尔伯特变换获取所述瞬态信号片段的瞬态包络;
将所述瞬态包络进行三维熵特征提取获取所述通信辐射源个体的射频指纹;
将所述射频指纹输入分类器进行识别并获取识别结果。
2.如权利要求1所述的一种通信辐射源个体识别方法,其特征在于,在进行所述希尔伯特变换和所述三维熵特征提取之前还包括对所述希尔伯特变换和所述三维熵的训练。
3.如权利要求2所述的一种通信辐射源个体识别方法,其特征在于,所述瞬态信号为所述通信辐射源个体在开启或关闭瞬间发送的信号。
4.如权利要求2所述的一种通信辐射源个体识别方法,其特征在于,所述三维熵包括:指数熵,香农熵和瑞丽熵。
5.如权利要求2所述的一种通信辐射源个体识别方法,其特征在于,所述分类器为灰色关联分类器。
6.如权利要求1至5任一项所述的一种通信辐射源个体识别方法,其特征在于,所述识别包括:调制识别,个体识别以及物联网设备物理层认证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184067.7A CN112311480B (zh) | 2020-10-29 | 2020-10-29 | 一种通信辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184067.7A CN112311480B (zh) | 2020-10-29 | 2020-10-29 | 一种通信辐射源个体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112311480A true CN112311480A (zh) | 2021-02-02 |
CN112311480B CN112311480B (zh) | 2023-03-14 |
Family
ID=74332141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011184067.7A Active CN112311480B (zh) | 2020-10-29 | 2020-10-29 | 一种通信辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112311480B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6502069B1 (en) * | 1997-10-24 | 2002-12-31 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | Method and a device for coding audio signals and a method and a device for decoding a bit stream |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
-
2020
- 2020-10-29 CN CN202011184067.7A patent/CN112311480B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6502069B1 (en) * | 1997-10-24 | 2002-12-31 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | Method and a device for coding audio signals and a method and a device for decoding a bit stream |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别系统 |
Non-Patent Citations (2)
Title |
---|
吕敏: "一种敌我识别辐射源暂态信号指纹特征提取方法", 《电讯技术》 * |
杨恬甜: "低频辐射源识别方法研究", 《信息科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112311480B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112312457B (zh) | 一种基于复数深度残差网络的通信辐射源个体识别方法 | |
Peng et al. | Deep learning based RF fingerprint identification using differential constellation trace figure | |
Huang et al. | Specific emitter identification based on nonlinear dynamical characteristics | |
CN112398553A (zh) | 一种基于差分等势星球图的通信辐射源个体识别方法 | |
CN111163460B (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
CN106446877B (zh) | 一种基于信号幅度排序的射频指纹特征提取和识别方法 | |
CN109325399B (zh) | 一种基于信道状态信息的陌生人手势识别方法及系统 | |
CN104243128B (zh) | 多载波系统中的频域符号同步和帧同步的方法和系统 | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN112507855A (zh) | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 | |
Zhang et al. | Radio frequency fingerprint identification for device authentication in the internet of things | |
De Vito et al. | Prototype of an automatic digital modulation classifier embedded in a real-time spectrum analyzer | |
CN113343874A (zh) | 基于深度卷积神经网络的大规模无线电信号识别方法 | |
CN112311480B (zh) | 一种通信辐射源个体识别方法 | |
Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
CN114760627A (zh) | 一种基于射频指纹与深度学习的无线设备识别方法 | |
CN112633121A (zh) | 基于希尔伯特变换与多重分形维数特征的辐射源识别方法 | |
CN109145889A (zh) | 一种针对无线信号进行盲估计的明密文信号分类检测方法 | |
Wang et al. | A spatiotemporal multi-stream learning framework based on attention mechanism for automatic modulation recognition | |
CN117425152A (zh) | 一种动态自适应的移动设备射频指纹识别方法和装置 | |
Siddik et al. | WIDEFT: A corpus of radio frequency signals for wireless device fingerprint research | |
CN112911597B (zh) | 基于射频信号精细画像的物联网物理层多级特征提取方法 | |
CN112733613A (zh) | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 | |
Uppal et al. | High-performance deep learning classification for radio signals | |
Wang et al. | Research on physical layer security of cognitive radio network based on RF-DNA |
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 |