CN112398553A - 一种基于差分等势星球图的通信辐射源个体识别方法 - Google Patents
一种基于差分等势星球图的通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112398553A CN112398553A CN202011208288.3A CN202011208288A CN112398553A CN 112398553 A CN112398553 A CN 112398553A CN 202011208288 A CN202011208288 A CN 202011208288A CN 112398553 A CN112398553 A CN 112398553A
- Authority
- CN
- China
- Prior art keywords
- differential
- equipotential
- diagram
- signal
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Near-Field Transmission Systems (AREA)
Abstract
本发明公开了一种基于差分等势星球图的通信辐射源个体识别方法,解决了目前提取具有独特原生属性的射频指纹仍具挑战性,对于同厂家同批次同型号的无线设备的识别率低的问题,其技术方案要点是包括有以下步骤:接收机对射频基带信号进行采集,采集获得初始I/Q两路信号;对初始I/Q两路信号进行差分处理,形成新的I/Q两路信号;通过星座图二维可视化将新的I/Q两路信号表示成差分星座图;对差分星座图进行点密度计算,通过矩形窗函数滑动进行着色,得到差分等势星球图,通过深度卷积神经网络对差分等势星球图进行处理识别,本发明的一种基于差分等势星球图的通信辐射源个体识别方法,能提高识别准确率、有效性和可靠性。
Description
技术领域
本发明涉及射频指纹研究,特别涉及一种基于差分等势星球图的通信辐射源个体识别方法。
背景技术
目前对射频指纹识别的研究现状,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,尤其是对于同厂家同批次同型号的无线设备的识别率低,还有大量问题有待研究。
发明内容
本发明的目的是提供一种基于差分等势星球图的通信辐射源个体识别方法,能提高识别准确率、有效性和可靠性。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于差分等势星球图的通信辐射源个体识别方法,包括有以下步骤:
S1、通过接收机对发射机发送的射频基带信号进行采集,采集获得初始I/Q两路信号;
S2、对初始I/Q两路信号进行差分处理,以形成新的I/Q两路信号;
S3、通过星座图二维可视化将新的I/Q两路信号表示成差分星座图;
S4、对差分星座图进行点密度计算,通过矩形窗函数滑动进行着色,得到每一段射频基带信号着色后的差分等势星球图,作为发射机的射频指纹,通过深度卷积神经网络对差分等势星球图进行处理识别。
作为优选,通过接收机对发射机发送的射频基带信号进行采集具体包括有:
接收机对接收到的信号进行下变频得到基带信号Y(t),
作为优选,对I/Q两路信号的差分处理具体如下:
其中,Y*为取共轭值,n为差分的间隔,n取为1,差分处理后的信号D(t)包含有一个恒定数值的相位旋转因子e-j2πθn。
作为优选,差分等势星球图的获取具体如下:
把基带信号在特定基向量投影下的端点在以I、Q为横纵轴的二维坐标上画出来得到的矢量图作为星座图,并将差分后获得的新的I/Q两路信号表示成差分星座图;
将密度窗函数在差分星座图上滑动,通过计算窗口中的点数获得不同的密度结果,并对不同密度进行区别标记;
根据标记的点密度将差分星座图转换为差分等势星球图。
综上所述,本发明具有以下有益效果:
通过差分等势星球图的方式,差分处理后的信号仅包含一个恒定数值的相位旋转因子,在不对接收机的载波频率偏差和相位偏差进行估计和补偿,也可以获取稳定的通信辐射源(发射机)射频指纹。此外,星座图由于其为二值图,在低信噪比下,统计特征会被噪声淹没,差分等势星球图通过点密度特征可以恢复一定低信噪比下的星座图丢失的统计特征,更为全面的描述信号的细微特征。再利用深度卷积神经网络对图像处理方面的优势来进行识别,可实现对通信辐射源调制识别、个体识别,以及物联网设备物理层认证等,相较于传统的基于星座图的统计图域方法,在使用相同的深度卷积神经网络模型架构下,可以大大提高识别准确率及可靠性,构建成本低、简洁、安全。
附图说明
图1为发明的流程示意图;
图2为无线设备射频信号的等势星球图特征提取过程;
图3为各个WiFi网卡设备射频信号的差分等势星球图特征;
图4为基于深度卷积神经网络的识别与认证;
图5为基于射频信号等势星球图特征的通信辐射源个体的识别结果;
图6为基于射频信号差分星座轨迹图特征的通信辐射源个体的识别结果;
图7为基于本发明的方法的识别结果。
具体实施方式
以下结合附图对本发明作进一步详细说明。
现有的射频指纹识别技术根据利用物理层资源的不同,可分为基于信道的指纹识别技术和基于传输信号的指纹识别技术。基于信道特征的指纹识别技术旨在利用设备的唯一位置信息来作为不同用户在不同场景下的身份检测指标,通常应用于物联网设备的室内定位。常用的信道特征有无线电信号强度(RSS)、信道状态信息(CSI)和信道频率响应(CFR)。基于传输信号的指纹识别技术分为基于瞬态信号的指纹识别技术和基于稳态信号的指纹识别技术。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。由于瞬态信号持续时间短,难以捕获,对突变点检测和定位较为敏感,限制了其在实际环境中的应用。稳态信号是发射机处于稳定工作状态时的信号,其持续时间长,更容易获得,利用廉价的接收机即可完成,但稳态信号中存在的射频指纹更不容易提取,如频率偏移、Holder系数特征、熵特征等。随着射频指纹识别技术的发展,学者们逐渐从利用瞬态信号到利用稳态信号的前导序列,再到利用稳态信号的传输数据段,逐步减少了对待识别信号检测和提取的要求。
根据一个或多个实施例,本发明公开了一种基于差分等势星球图的通信辐射源个体识别方法,如图1所示,包括有以下步骤:
S1、通过接收机对发射机发送的射频基带信号进行采集,采集获得初始I/Q两路信号;
S2、对初始I/Q两路信号进行差分处理,以形成新的I/Q两路信号;
S3、通过星座图二维可视化将新的I/Q两路信号表示成差分星座图;
S4、对差分星座图进行点密度计算,通过矩形窗函数滑动进行着色,得到每一段射频基带信号着色后的差分等势星球图,作为发射机的射频指纹,通过深度卷积神经网络对差分等势星球图进行处理识别。
接收机采集的射频基带信号是稳态信号,也可以是暂态信号。若采用稳态信号,则差分等势星球图特征提取与深度卷积神经网络训练与识别过程都用稳态信号片段;若采用暂态信号,则差分等势星球图特征提取与深度卷积神经网络训练与识别过程都用暂态信号片段。
假设发射机的射频电路是理想的,信道也是理想的,接收机接收到的信号R(t)=S(t)。
星座图是把调制信号在特定基向量投影下的端点在以I、Q为横纵轴的二维坐标上画出来得到的矢量图,每个向量端点(也称为符号点)可以表达信号在某一时刻相对载波的幅度、相位两种基本信息,其在两坐标轴的投影即为当前时刻的两路基带信号。数字调制信号的符号点数量是有限的,将所有符号点都表示在同一矢量图中,即构成星座图。由于星座图对应着信号的幅度与相位,阵列的形状可用于分析幅度失衡、正交误差、相关干扰、相位/幅度噪音、相位误差、调制误差比等。由于解调的信号含有残余的频率偏差θ,导致基带信号的每一个采样点都有一个相位旋转因子ej2πθt。该相位旋转因子随着采样点位置t的不同而变化,通常导致提取的星座图特征鲁棒性和稳定性欠佳。因此,对I、Q两路基带信号进行差分处理,如下:
式中,Y*为取共轭值,n为差分的间隔(这里n取1)。差分处理后的信号D(t)尽管还是含有一个相位旋转因子e-j2πθn,但是该相位旋转因子是一个恒定的数值,不会随着采样点位置的变化而改变。因此经过差分处理后,即使不对接收机的载波频率偏差和相位偏差进行估计和补偿,也可以获取稳定的星座图,从而可以进行后续的基于差分星座图的等势星球图特征提取。
根据二维差分星座图点密度的不同,给予不同区域不同颜色的分配,将一维信号转化为二维彩色图像(如同一张超高清X光片),更为全面的描述信号的细微特征。将通过基带信号采集得到的复信号(I/Q两路)经过差分处理后,转换成差分星座图,将密度窗函数在图片上滑动时,密度窗口函数将计算窗中有多少个点。不同的计算结果意味着不同的密度,将使用不同的颜色标记不同的密度。例如可采用,黄色表示采样点相对高密度区域,绿色表示采样点数目相对中等的密度区域,蓝色表示采样点低密度区域。矩形窗函数(密度窗口)将计算矩形中密度窗函数的点数,然后根据点密度将其转换为差分等势星球图。星座图由于其为二值图,在低信噪比下,统计特征会被噪声淹没,差分等势星球图通过点密度特征可以恢复一定低信噪比下的星座图丢失的统计特征,更为全面的描述信号的细微特征。再利用深度学习对图像处理方面的优势来进行识别,可实现对通信辐射源调制识别、个体识别,以及物联网设备物理层认证等。相较于传统的基于星座图的统计图域方法,在使用相同的深度卷积神经网络模型架构下,本发明所提出的方法可以有效加快深度卷积神经网络的训练收敛时间,大大提高识别准确率。
为表述清楚,现举一实例:
以识别同厂家同型号同批次的20个WiFi网卡设备为例,过程如下:
基带信号采集设备:FSW26频谱仪。
采集环境:实验室LOS。
采集20个WiFi网卡设备,每个设备采集50个样本;信号采集带宽为80MHz,每次采集1.75ms,即每样本140000点(以单路为例),其中除去信号噪声段的有效数据传输段为80000点(均为稳态信号),再对其切片(以10000点为新的样本)处理,总共有8000个样本(生成差分等势星球图后,随机选择6400个样本生成用于深度卷积神经网络的训练,剩余的1600个样本进行识别测试,其中对于每个无线设备,训练样本为320个,测试样本为80个)。为了说明本发明所提出的方法的有效性,与未经差分处理的等势星球图的射频指纹提取方法(如图2所示)以及差分星座轨迹图的射频指纹提取方法进行对比,所选用的深度卷积神经网络结构统一都为表1所示。
表1深度卷积神经网络结构
其中,通过本发明所提出的方法提取的各个WiFi网卡设备射频信号的差分等势星球图特征如图3所示。最后经过深度卷积神经网络的识别认证,如图4所示,分别得到基于射频信号未经差分处理的等势星球图特征的通信辐射源个体的识别结果,测试结果混淆矩阵如图5所示,识别成功率为90.4%,基于射频信号差分星座轨迹图特征的通信辐射源个体的识别结果,测试结果混淆矩阵如图6所示,识别成功率为94.9%,基于本发明所提的方法的识别结果,测试结果混淆矩阵如图7所示,识别成功率为98.6%,说明在使用相同的深度卷积神经网络模型架构下,相较于传统的基于星座图的统计图域方法,本发明所提出的方法可以大大提高识别准确率。
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。因此,研究一种低错误率、高效率、低成本的通信辐射源个体识别方法,是确保物联网稳健运行的关键。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。
如今对物理层安全认证技术的研究还处于初级阶段,丰富的物理层资源并没有得到充分利用,仍具有很大的研究空间。射频指纹识别是基于设备物理层硬件的非密码认证方法,无需消耗额外的计算资源,也无需嵌入额外的硬件,是构建低成本、更简洁、更安全的识别认证系统的非常有潜力的技术。基于射频信号细微特征的设备识别,最早起源于特定辐射源识别(Specific Emitter Identification,SEI),即将辐射源独特的电磁特性与辐射源个体关联起来的能力。2003年,加拿大的Hall等人提出了射频“指纹”(RF-Fingerprint)这一概念,从发射机信号中提取一组具有差异性的细微特征集合,作为设备的物理层本质特征。如同每个人会有不同的指纹特征,各个无线设备也会存在不同的射频指纹,即硬件差异,而这些差异会蕴含在通信信号中,可以对信号进行指纹特征提取来进行识别。
理想的射频指纹应具备如下四种基本特性:
1)唯一性:射频指纹足以将不同的发射机区分开来,而不会发生混淆,即使对同批次同型号的发射机仍然能够找到其中的细微差异。
2)持久性:提取的射频指纹能够在一定时间内保持稳定。
3)独立性:射频指纹不会受信号调制样式和传输内容等因素影响,只与发射机的硬件有关。关于射频指纹的“独立性”仍然需要更加深入的研究,并结合大量的仿真和实测实验进行验证。
4)稳健性:射频指纹在电压和温度、无线信道、环境因素、天线极化等外部因素变化时能够保持一致性。关于射频指纹“稳健性”是射频指纹走向实用的一个关键要求,仍然有大量细致的工作需要完成。
基于波形域的指纹识别技术使用来自时域的信号样本作为基本处理块,以复杂性为代价,提供最大的灵活性。波形域方法利用待识别信号的时域波形提取特征,将波形的分形维数、瞬态信号持续时间等直接作为指纹特征,也可以对待识别信号进行各种域变换处理后再提取特征,例如傅里叶变换、小波变换、希尔伯特黄变换、双谱变换、固有时间尺度分解、同步挤压小波变换、改进的分形盒维数等方法。变换域方法试图将时域信号变换到其他域上来最大化个体差异,但变换域方法提取的特征会随传输数据的变化而变化。为了避免特征提取方法受待识别信号传输数据的影响,基于稳态信号的射频指纹提取方法大都利用信号中重复出现的前导序列作为待识别信号。
电磁信号因为发射机缺陷而受到影响,这些对信号产生损伤的因素有载频偏移、功率放大器非线性、正交调制器不平衡和直流偏移等因素,这些发射机的缺陷对信号产生的影响也会表现在信号的调制域上,这为在调制域构建发射机的射频指纹提供了可能。正交调制的方式在目前通信信号中得到广泛应用,几乎所有的数字通信都会采用,目前利用的调制域特征有载频偏移、调制偏移、I/Q偏移、星座轨迹图、差分星座轨迹图等特征及其组合。调制域方法以I/Q信号样本为基本处理单元,利用了调制方案强制赋予的信号结构,这使得识别信号发射机的特定属性更加容易。而且有些调制方案利用本设计来保护数据不受信道等不良因素的影响,在调制域中的符号对于使原始波形失真的噪声等因素的影响更小,不需要高过采样率的设备,对于接收设备的要求也更低,使用低成本的接收机就能完成特征提取。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.一种基于差分等势星球图的通信辐射源个体识别方法,其特征是,包括有以下步骤:
S1、通过接收机对发射机发送的射频基带信号进行采集,采集获得初始I/Q两路信号;
S2、对初始I/Q两路信号进行差分处理,以形成新的I/Q两路信号;
S3、通过星座图二维可视化将新的I/Q两路信号表示成差分星座图;
S4、对差分星座图进行点密度计算,通过矩形窗函数滑动进行着色,得到每一段射频基带信号着色后的差分等势星球图,作为发射机的射频指纹,通过深度卷积神经网络对差分等势星球图进行处理识别。
4.根据权利要求3所述的基于差分等势星球图的通信辐射源个体识别方法,其特征是,差分等势星球图的获取具体如下:
把基带信号在特定基向量投影下的端点在以I、Q为横纵轴的二维坐标上画出来得到的矢量图作为星座图,并将差分后获得的新的I/Q两路信号表示成差分星座图;
将密度窗函数在差分星座图上滑动,通过计算窗口中的点数获得不同的密度结果,并对不同密度进行区别标记;
根据标记的点密度将差分星座图转换为差分等势星球图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208288.3A CN112398553A (zh) | 2020-11-03 | 2020-11-03 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011208288.3A CN112398553A (zh) | 2020-11-03 | 2020-11-03 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112398553A true CN112398553A (zh) | 2021-02-23 |
Family
ID=74598095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011208288.3A Pending CN112398553A (zh) | 2020-11-03 | 2020-11-03 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112398553A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911597A (zh) * | 2021-03-24 | 2021-06-04 | 上海电机学院 | 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 |
CN113029567A (zh) * | 2021-02-26 | 2021-06-25 | 上海电机学院 | 基于特征融合等势星球图的故障信号诊断方法 |
CN113435246A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种辐射源个体智能识别方法、系统及终端 |
CN113660006A (zh) * | 2021-07-03 | 2021-11-16 | 西安电子科技大学 | 一种无线设备识别方法、系统及数据处理终端 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN114266312A (zh) * | 2021-12-22 | 2022-04-01 | 桂林电子科技大学 | 一种基于多任务学习的射频指纹和通信协议的识别方法 |
CN114760627A (zh) * | 2022-03-09 | 2022-07-15 | 江苏电力信息技术有限公司 | 一种基于射频指纹与深度学习的无线设备识别方法 |
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
CN115700595A (zh) * | 2022-11-08 | 2023-02-07 | 佛山科学技术学院 | 基于射频指纹深度学习的身份识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965847A (zh) * | 2015-02-04 | 2015-10-07 | 北京奇虎科技有限公司 | 信息展示方法及装置 |
CN105357014A (zh) * | 2015-11-25 | 2016-02-24 | 东南大学 | 基于差分星座轨迹图的无线设备射频指纹特征提取方法 |
CN110784864A (zh) * | 2019-11-01 | 2020-02-11 | 中国电子科技集团公司第三十研究所 | 一种星地链路设备射频指纹识别及安全接入认证方法 |
CN111163460A (zh) * | 2019-12-19 | 2020-05-15 | 北京交通大学 | 基于多重间隔差分星座轨迹图的射频指纹提取方法 |
-
2020
- 2020-11-03 CN CN202011208288.3A patent/CN112398553A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965847A (zh) * | 2015-02-04 | 2015-10-07 | 北京奇虎科技有限公司 | 信息展示方法及装置 |
CN105357014A (zh) * | 2015-11-25 | 2016-02-24 | 东南大学 | 基于差分星座轨迹图的无线设备射频指纹特征提取方法 |
CN110784864A (zh) * | 2019-11-01 | 2020-02-11 | 中国电子科技集团公司第三十研究所 | 一种星地链路设备射频指纹识别及安全接入认证方法 |
CN111163460A (zh) * | 2019-12-19 | 2020-05-15 | 北京交通大学 | 基于多重间隔差分星座轨迹图的射频指纹提取方法 |
Non-Patent Citations (1)
Title |
---|
JIE CHANG: "Wireless Physical-Layer Identification Assisted 5G Network Security", 《IEEE CONFERENCE COMPUTER COMMUNICATIONS WORKSHOPS》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029567A (zh) * | 2021-02-26 | 2021-06-25 | 上海电机学院 | 基于特征融合等势星球图的故障信号诊断方法 |
CN112911597A (zh) * | 2021-03-24 | 2021-06-04 | 上海电机学院 | 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 |
CN113435246A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种辐射源个体智能识别方法、系统及终端 |
CN113435246B (zh) * | 2021-05-18 | 2024-04-05 | 西安电子科技大学 | 一种辐射源个体智能识别方法、系统及终端 |
CN113660006A (zh) * | 2021-07-03 | 2021-11-16 | 西安电子科技大学 | 一种无线设备识别方法、系统及数据处理终端 |
CN113660006B (zh) * | 2021-07-03 | 2022-08-09 | 西安电子科技大学 | 一种无线设备识别方法、系统及数据处理终端 |
CN113905383B (zh) * | 2021-08-26 | 2024-02-06 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN113905383A (zh) * | 2021-08-26 | 2022-01-07 | 湖南艾科诺维科技有限公司 | 一种基于射频指纹的iff信号识别方法、装置及介质 |
CN114266312A (zh) * | 2021-12-22 | 2022-04-01 | 桂林电子科技大学 | 一种基于多任务学习的射频指纹和通信协议的识别方法 |
CN114266312B (zh) * | 2021-12-22 | 2024-03-22 | 桂林电子科技大学 | 一种基于多任务学习的射频指纹和通信协议的识别方法 |
CN114760627A (zh) * | 2022-03-09 | 2022-07-15 | 江苏电力信息技术有限公司 | 一种基于射频指纹与深度学习的无线设备识别方法 |
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
CN115700595B (zh) * | 2022-11-08 | 2023-07-28 | 佛山科学技术学院 | 基于射频指纹深度学习的身份识别方法及装置 |
CN115700595A (zh) * | 2022-11-08 | 2023-02-07 | 佛山科学技术学院 | 基于射频指纹深度学习的身份识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105357014B (zh) | 基于差分星座轨迹图的无线设备射频指纹特征提取方法 | |
CN112312457A (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 | |
CN104270234B (zh) | 一种基于欠奈奎斯特采样的宽带信号检测识别方法 | |
CN112398552A (zh) | 基于差分复数深度神经网络的通信辐射源个体识别方法 | |
Wang et al. | A convolutional neural network-based RF fingerprinting identification scheme for mobile phones | |
CN107092898B (zh) | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 | |
Wang et al. | Radio frequency fingerprint identification based on deep complex residual network | |
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 | |
Li et al. | Differential contour stellar-based radio frequency fingerprint identification for Internet of Things | |
CN111163460A (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
US11528121B2 (en) | Receiving device and receiving method, and mobile terminal test apparatus provided with receiving device | |
Pospíšil et al. | Wireless device authentication through transmitter imperfections—Measurement and classification | |
Ali et al. | Enabling fake base station detection through sample-based higher order noise statistics | |
Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
Zhang et al. | Data augmentation aided few-shot learning for specific emitter identification | |
Li et al. | Fractal dimension of dsss frame preamble: Radiometric feature for wireless device identification | |
Qiu et al. | Signal-independent RFF identification for LTE mobile devices via ensemble deep learning | |
Vayssade et al. | Low-cost digital test solution for symbol error detection of RF ZigBee transmitters | |
Wang et al. | Research on physical layer security of cognitive radio network based on rf-dna | |
Lin et al. | Using SDR Platform to Extract the RF Fingerprint of the Wireless Devices for Device Identification | |
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 | |
CN115664905A (zh) | 基于多域物理层指纹特征的Wi-Fi设备识别系统及方法 | |
CN114980086A (zh) | 模型训练、密钥生成方法、训练设备、通信方及系统 | |
Zhang et al. | Wi-Fi device identification based on multi-domain physical layer fingerprint |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |