CN112566117A - 基于度量学习的车辆节点身份识别方法及装置 - Google Patents
基于度量学习的车辆节点身份识别方法及装置 Download PDFInfo
- Publication number
- CN112566117A CN112566117A CN202011228860.2A CN202011228860A CN112566117A CN 112566117 A CN112566117 A CN 112566117A CN 202011228860 A CN202011228860 A CN 202011228860A CN 112566117 A CN112566117 A CN 112566117A
- Authority
- CN
- China
- Prior art keywords
- wireless signals
- vehicle node
- characteristic value
- metric learning
- identity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012512 characterization method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/16—Implementing security features at a particular protocol layer
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于度量学习的车辆节点身份识别方法及装置，该方法包括：基于度量学习理论建立多目标开放类个体表征计算模型；获取不同车辆节点对应的无线信号并进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；根据无线信号对多目标开放类个体表征计算模型进行训练，以得到降维后的数据维度为d的标准特征值；将待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型，以得到数据维度为d的测试特征值；计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法；从而在保证安全认证的同时还避免了资源浪费。
Description
技术领域
本发明涉及通信技术领域，特别涉及一种度量学习的车辆节点身份识别方法、一种计算机可读存储介质、一种计算机设备以及一种度量学习的车辆节点身份识别装置。
背景技术
相关技术中，空天地一体化车联网利用空间网络提供有效的数据资源共享与融合，提高未来车-路-网的协同能力，为全面实现无人驾驶汽车落地应用提供了重要的网络基础设施支持；虽然空间信息网络在多种重大应用场景发挥着举足轻重的作用，但是相较于传统网络，空天地一体化网络由于其复杂性、开放性以及跨域性等特点面临着更为严峻的挑战；因此，空天地一体化车联网安全防护研究已经成为未来智能驾驶推广的关键，引起了国内外研究学者的广泛关注。
目前针对其安全性更多的聚焦于网络的链路层及以上的防护技术，例如通信标准协议以及基于密码学加密算法等技术；但在空天地一体化车联网中，由于节点复杂性以及多域融合性，需要在链路层及以上的协议增加额外的计算及通信开销，从而导致了大量的资源浪费。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于度量学习的车辆节点身份识别方法，该方法利用度量学习理论进行物理层安全认证，实现多目标开放类识别，因此无需在链路层及以上的协议增加额外的计算及通信开销，从而在保证安全认证的同时还避免了资源浪费。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于度量学习的车辆节点身份识别装置。为达到上述目的，本发明第一方面实施例提出了一种基于度量学习的车辆节点身份识别方法，包括以下步骤：基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet；获取不同车辆节点对应的无线信号，并将所述无线信号作为该对应车辆节点的身份特征；对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；根据所述数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；获取待识别车辆节点对应的无线信号，并将所述待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征值；计算所述测试特征值与所述标准特征值的最小欧式距离，并将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法。
根据本发明实施例的基于度量学习的车辆节点身份识别方法，首先基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet；再获取不同车辆节点对应的无线信号，并将无线信号作为该对应车辆节点的身份特征，接着对不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号，再接着根据数据维度为N的不同车辆节点对应的无线信号对多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值，然后获取待识别车辆节点对应的无线信号，并将待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征值；最后计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法；由此，利用度量学习理论进行物理层安全认证，实现多目标开放类识别，因此无需在链路层及以上的协议增加额外的计算及通信开销，从而在保证安全认证的同时还避免了资源浪费。
另外，根据本发明上述实施例提出的基于度量学习的车辆节点身份识别方法还可以具有如下附加的技术特征：
可选地，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用改进后的三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。
可选地，对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号，包括：采用相位法确定所述无线信号的起点，并提取所述无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，所述无线信号为暂态信号；将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。
可选地，将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法，包括：如果最小欧式距离大于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离小于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份合法。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于度量学习的车辆节点身份识别程序，该基于度量学习的车辆节点身份识别程序被处理器执行时实现如上述的基于度量学习的车辆节点身份识别方法。
根据本发明实施例的计算机可读存储介质，通过存储基于度量学习的车辆节点身份识别程序，以使得处理器在执行该基于度量学习的车辆节点身份识别程序时，实现如上述的基于度量学习的车辆节点身份识别方法，从而在保证安全认证的同时还避免了资源浪费。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于度量学习的车辆节点身份识别方法。
根据本发明实施例的计算机设备，首先基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet,并通过存储器存储基于度量学习的车辆节点身份识别模型程序，这样基于度量学习的车辆节点身份识别模型程序被处理器执行时实现上述的基于度量学习的车辆节点身份识别方法，实现从而在保证安全认证的同时还避免了资源浪费。
为达到上述目的，本发明第四方面实施例提出了一种基于度量学习的车辆节点身份识别装置，包括：模型建立模块，用于建立多目标开放类个体表征计算模型SigTLNet，并根据所述数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；获取模块，用于获取不同车辆节点对应的无线信号，并将所述无线信号作为该对应车辆节点的身份特征；预处理模块，用于对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；训练模块，用于获取待识别车辆节点对应的无线信号，并将所述待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征；检测识别模块，用于计算所述测试特征值与所述标准特征值的最小欧式距离，并将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法。
根据本发明实施例的基于度量学习的车辆节点身份识别装置，通过模型建立模块基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet,并根据数据维度为N的不同车辆节点对应的无线信号对多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；接着通过获取模块获取不同车辆节点对应的无线信号，并将无线信号作为该对应车辆节点的身份特征；再接着通过预处理模块对不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；以及通过训练模块获取待识别车辆节点对应的无线信号，并将待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征；最后通过检测识别模块计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法；由此，利用度量学习理论进行物理层安全认证，实现多目标开放类识别，因此无需在链路层及以上的协议增加额外的计算及通信开销，从而在保证安全认证的同时还避免了资源浪费。
可选地，所述预处理模块还用于：采用相位法确定所述无线信号的起点，并提取所述无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，所述无线信号为暂态信号；将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。
可选地，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用改进后的三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。
可选地，所述检测识别模块还用于：如果最小欧式距离大于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离小于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份合法。
附图说明
图1为根据本发明实施例的基于度量学习的车辆节点身份识别方法的流程示意图；
图2为无线信号的物理指纹特征提取及识别系统；
图3为预处理后的不同类型样本信号；
图4为身份识别模型结构示意图；
图5为原始三元组损失与改进三元组损失收敛情况对比；
图6为身份识别模型提取的样本特征分布与PCA提取的样本特征分布对比；
图7为增加梯度裁剪后网络损失值变化示意图；
图8为身份识别模型识别率随阈值变化情况；
图9为不同信噪比条件下的识别率对比；
图10为根据本发明实施例的基于度量学习的车辆节点身份识别装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于度量学习的车辆节点身份识别方法的流程示意图，如图1所示，本发明实施例的基于度量学习的车辆节点身份识别方法包括以下步骤：
步骤101，基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet。
也就是说，需要先构建多目标开放类个体表征计算模型SigTLNet。
作为一个实施例，如图4所示，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用改进后的三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。
作为一个具体实施例，损失函数采用改进后的三元组损失，其公式为：
从而加快收敛速度；其中，M代表三元组的个数，i＝1,2…M，a,p,n为三元组，a和p为同一类信号，a和n为不同类信号；α为预先设置的参数，本实施例为0.2；+表示，大括号内的值大于零的时候，取该值为损失，大括号内的值小于零的时候损失为零。
图5为原始三元组损失与改进三元组损失收敛情况对比，可以看出改进的三元组损失可以明显加快收敛速度。
图6为多目标开放类个体表征计算模型SigTLNet提取的样本特征分布与PCA提取的样本特征分布对比，相比于PCA，多目标开放类个体表征计算模型SigTLNet提取的样本类间特征分布更加分离。
图7为增加梯度裁剪后网络损失值变化，未进行梯度裁剪在训练过程中会发展梯度爆炸(损失值变为NAN)，引入梯度裁剪后损失函数可以正常收敛。
步骤102，获取不同车辆节点对应的无线信号，并将无线信号作为该对应车辆节点的身份特征。
作为一个实施例，通过采集系统进行不同车辆节点的无线信号采集，例如通过示波器进行信号采集显示，本发明对此不作具体限定。
步骤103，对不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号。
作为一个实施例，预处理过程包括对信号的起点检测以及归一化，例如：采用相位法确定无线信号的起点，并提取无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，无线信号为暂态信号；将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。
也就是说，采用相位法确定暂态信号的起点,并提取包络信息，最终信号保留14400个采样点；进一步将信号进行去噪、归一化处理。
需要说明的是，为了验证本文提出的基于度量深度学习的网络模型的可行性，通过实际采集的无人机、手机、IoT设备、船舶等不同类别节点的无线信号数据进行验证；同时，结合空天地一体化网络中对车辆节点身份信息合法性的识别和认证过程进行仿真实验，与传统聚类识别算法对比，实现对多目标开放类个体识别，并验证不同信噪比条件下的识别准确率；其中，预处理后的不同类型样本信号如图3所示。
步骤104，根据数据维度为N的不同车辆节点对应的无线信号对多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值。
也就是说，将预处理后的数据维度为N的不同车辆节点对应的无线信号X＝[x1,x2,…xN]输入到构建好的身份识别模块进行训练，以得到训练好的降维后的D维标准特征值
步骤105，获取待识别车辆节点对应的无线信号，并将待识别车辆节点对应的无线信号输入到训练好的身份识别模型，以得到数据维度为d的测试特征值。
也就是说，采集测试车辆节点的无线信号X′,送入训练好的多目标开放类个体表征计算模型SigTLNet得到特征值fD′。
步骤106，计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法。
作为一个实施例，通过以下公式计算f′d与标准特征值F的最小欧氏距离
其中，fi′表示第i个测试特征值，fi j表示第m个标准特征值。
作为一个实施例，如图2所示，如果最小欧式距离dis大于预设阈值则识别测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离dis小于预设阈值则识别测试特征值对应的待识别车辆节点的身份合法。
图8为多目标开放类个体表征计算模型SigTLNet网络识别率随预设阈值变化情况，本发明衡量整体识别率，预设阈值设定为0.8。
图9为不同信噪比条件下的识别率对比；在SNR＝30dB条件下，SigTLNet、KNN两种算法的识别率均可达到94％以上，但是SigTLNet能够未知类目标，而KNN只能进行闭集识别；而K-Means聚类在差异性较小的无线信号分类识别结果较差；在信噪比较差的条件下，即SNR＝5dB，SigTLNet网络的整体识别准确率相较于KNN、K-Means算法更高。
综上所述，本发明提出了一种基于度量学习的车辆节点身份识别方法，利用改进后的三元组度量损失函数，建立多目标开放类个体表征计算模型SigTLNet；通过判决信号特征距离，有效识别多目标开放类中的合法及恶意节点身份，解决传统识别方法提取建立样本数据库存储空间浪费且完整闭集数据采集困难等问题，同时无需根据不同节点无线信号进行手动特征指纹选择。
根据本发明实施例的基于度量学习的车辆节点身份识别方法，首先基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet；再获取不同车辆节点对应的无线信号，并将无线信号作为该对应车辆节点的身份特征，接着对不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号，再接着根据数据维度为N的不同车辆节点对应的无线信号对多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值，然后获取待识别车辆节点对应的无线信号，并将待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征值；最后计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法；由此，利用度量学习理论进行物理层安全认证，实现多目标开放类识别，因此无需在链路层及以上的协议增加额外的计算及通信开销，从而在保证安全认证的同时还避免了资源浪费。
另外，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于度量学习的车辆节点身份识别程序，该基于度量学习的车辆节点身份识别程序被处理器执行时实现如上述的基于度量学习的车辆节点身份识别方法。
根据本发明实施例的计算机可读存储介质，通过存储基于度量学习的车辆节点身份识别程序，以使得处理器在执行该基于度量学习的车辆节点身份识别程序时，实现如上述的基于度量学习的车辆节点身份识别方法，从而在保证安全认证的同时还避免了资源浪费。
另外，本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于度量学习的车辆节点身份识别方法。
根据本发明实施例的计算机设备，通过存储器存储基于度量学习的车辆节点身份识别程序，可以实现多目标开放类识别；这样基于度量学习的车辆节点身份识别程序被处理器执行时实现上述的基于度量学习的车辆节点身份识别方法，从而在保证安全认证的同时还避免了资源浪费。
图10为根据本发明实施例的基于度量学习的车辆节点身份识别装置的方框示意图；如图10所示，该装置包括：模型建立模块201、获取模块202、预处理模块203、训练模块204和检测识别模块205。
其中，模型建立模块201用于建立多目标开放类个体表征计算模型SigTLNet，并根据数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；获取模块202用于获取不同车辆节点对应的无线信号，并将无线信号作为该对应车辆节点的身份特征；预处理模块203用于对不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；训练模块204用于获取待识别车辆节点对应的无线信号，并将待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征；检测识别模块205用于计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法。
进一步地，预处理模块203还用于采用相位法确定无线信号的起点，并提取无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，无线信号为暂态信号；将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。
进一步地，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。
进一步地，检测识别模块205还用于如果最小欧式距离大于预设阈值则识别测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离小于预设阈值则识别测试特征值对应的待识别车辆节点的身份不合法。
需要说明的是，上述关于图1中基于度量学习的车辆节点身份识别方法的描述同样适用于该基于度量学习的车辆节点身份识别装置，在此不做赘述。
综上所述，根据本发明实施例的基于度量学习的车辆节点身份识别装置，通过模型建立模块基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet,并根据数据维度为N的不同车辆节点对应的无线信号对多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；接着通过获取模块获取不同车辆节点对应的无线信号，并将无线信号作为该对应车辆节点的身份特征；再接着通过预处理模块对不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；以及通过训练模块获取待识别车辆节点对应的无线信号，并将待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征；最后通过检测识别模块计算测试特征值与标准特征值的最小欧式距离，并将最小欧式距离与预设阈值进行比较以识别测试特征值对应的待识别车辆节点的身份是否合法；由此，利用度量学习理论进行物理层安全认证，实现多目标开放类识别，因此无需在链路层及以上的协议增加额外的计算及通信开销，从而在保证安全认证的同时还避免了资源浪费。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于度量学习的车辆节点身份识别方法，其特征在于，包括以下步骤：
基于度量学习理论建立多目标开放类个体表征计算模型SigTLNet；
获取不同车辆节点对应的无线信号，并将所述无线信号作为该对应车辆节点的身份特征；
对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；
根据所述数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；
获取待识别车辆节点对应的无线信号，并将所述待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征值；
计算所述测试特征值与所述标准特征值的最小欧式距离，并将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法。
2.如权利要求1所述的基于度量学习的车辆节点身份识别方法，其特征在于，对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号，包括：
采用相位法确定所述无线信号的起点，并提取所述无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，所述无线信号为暂态信号；
将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。
3.如权利要求1所述的基于度量学习的车辆节点身份识别方法，其特征在于，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用改进后的三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。
4.如权利要求1所述的基于度量学习的车辆节点身份识别方法，其特征在于，将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法，包括：
如果最小欧式距离大于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离小于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份合法。
5.一种计算机可读存储介质，其特征在于，其上存储有基于度量学习的车辆节点身份识别程序，该基于度量学习的车辆节点身份识别程序被处理器执行时实现如权利要求1-4中任一项所述的基于度量学习的车辆节点身份识别方法。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-4中任一项所述的基于度量学习的车辆节点身份识别方法。
7.一种基于度量学习的车辆节点身份识别装置，其特征在于，包括：
模型建立模块，用于建立多目标开放类个体表征计算模型SigTLNet，并根据数据维度为N的不同车辆节点对应的无线信号对所述多目标开放类个体表征计算模型SigTLNet进行训练，以得到降维后的数据维度为d的标准特征值；
获取模块，用于获取不同车辆节点对应的无线信号，并将所述无线信号作为该对应车辆节点的身份特征；
预处理模块，用于对所述不同车辆节点对应的无线信号进行预处理，以得到数据维度为N的不同车辆节点对应的无线信号；
训练模块，用于获取待识别车辆节点对应的无线信号，并将所述待识别车辆节点对应的无线信号输入到训练好的多目标开放类个体表征计算模型SigTLNet，以得到数据维度为d的测试特征；
检测识别模块，用于计算所述测试特征值与所述标准特征值的最小欧式距离，并将所述最小欧式距离与预设阈值进行比较以识别所述测试特征值对应的待识别车辆节点的身份是否合法。
8.如权利要求7所述的基于度量学习的车辆节点身份识别装置，其特征在于，所述预处理模块还用于：
采用相位法确定所述无线信号的起点，并提取所述无线信号的包络信息，以获取保留包络信息对应采样点的无线信号，其中，所述无线信号为暂态信号；
将保留包络信息对应采样点的无线信号进行去噪及归一化处理，以得到处理后的数据维度为N的不同车辆节点对应的无线信号。
9.如权利要求7所述的基于度量学习的车辆节点身份识别装置，其特征在于，建立多目标开放类个体表征计算模型SigTLNet时，在Inception网络模型结构基础上采用多层深度卷积神经网络构建身份识别模块，其中，损失函数采用改进后的三元组损失，训练过程采用Adam优化器，并在训练中引入梯度裁剪。
10.如权利要求7所述的基于度量学习的车辆节点身份识别装置，其特征在于，所述检测识别模块还用于：
如果最小欧式距离大于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份不合法，如果最小欧式距离小于预设阈值则识别所述测试特征值对应的待识别车辆节点的身份合法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011228860.2A CN112566117B (zh) | 2020-11-06 | 2020-11-06 | 基于度量学习的车辆节点身份识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011228860.2A CN112566117B (zh) | 2020-11-06 | 2020-11-06 | 基于度量学习的车辆节点身份识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112566117A true CN112566117A (zh) | 2021-03-26 |
| CN112566117B CN112566117B (zh) | 2023-12-08 |
Family
ID=75041738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011228860.2A Active CN112566117B (zh) | 2020-11-06 | 2020-11-06 | 基于度量学习的车辆节点身份识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112566117B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115514499A (zh) * | 2022-11-18 | 2022-12-23 | 广州优刻谷科技有限公司 | 一种基于数理统计的安全通信方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013101052A1 (en) * | 2011-12-29 | 2013-07-04 | Intel Corporation | Systems, methods, and apparatus for learning the identity of an occupant of a vehicle |
| CN110399828A (zh) * | 2019-07-23 | 2019-11-01 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
| CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技（深圳）有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
| CN111079602A (zh) * | 2019-12-06 | 2020-04-28 | 长沙千视通智能科技有限公司 | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 |
| CN111814584A (zh) * | 2020-06-18 | 2020-10-23 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
-
2020
- 2020-11-06 CN CN202011228860.2A patent/CN112566117B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013101052A1 (en) * | 2011-12-29 | 2013-07-04 | Intel Corporation | Systems, methods, and apparatus for learning the identity of an occupant of a vehicle |
| CN110516703A (zh) * | 2019-07-18 | 2019-11-29 | 平安科技（深圳）有限公司 | 基于人工智能的车辆识别方法、装置及存储介质 |
| CN110399828A (zh) * | 2019-07-23 | 2019-11-01 | 吉林大学 | 一种基于多角度的深度卷积神经网络的车辆再识别方法 |
| CN111079602A (zh) * | 2019-12-06 | 2020-04-28 | 长沙千视通智能科技有限公司 | 基于多尺度区域特征约束的车辆细粒度识别方法及装置 |
| CN111814584A (zh) * | 2020-06-18 | 2020-10-23 | 北京交通大学 | 基于多中心度量损失的多视角环境下车辆重识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115514499A (zh) * | 2022-11-18 | 2022-12-23 | 广州优刻谷科技有限公司 | 一种基于数理统计的安全通信方法、装置及存储介质 |
| CN115514499B (zh) * | 2022-11-18 | 2023-03-14 | 广州优刻谷科技有限公司 | 一种基于数理统计的安全通信方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112566117B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845339B (zh) | 一种基于双谱和emd融合特征的手机个体识别方法 | |
| US20120239400A1 (en) | Speech data analysis device, speech data analysis method and speech data analysis program | |
| CN109088862B (zh) | 一种基于分布式系统的节点性质识别方法 | |
| CN112491677B (zh) | 基于物理层特征指纹的can总线识别方法及装置 | |
| CN108718292B (zh) | 一种无线通信物理层认证方法 | |
| CN114387627A (zh) | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 | |
| CN112566117B (zh) | 基于度量学习的车辆节点身份识别方法及装置 | |
| CN114867018A (zh) | 利用载波频率偏移的设备识别认证方法、系统及存储介质 | |
| Aminuddin et al. | Securing wireless communication using RF fingerprinting | |
| CN116776227A (zh) | 基于特征融合的卫星身份识别方法和装置 | |
| Astapov et al. | Military vehicle acoustic pattern identification by distributed ground sensors | |
| Yin et al. | Detecting CAN overlapped voltage attacks with an improved voltage-based in-vehicle intrusion detection system | |
| CN113365273B (zh) | 一种基于信道状态信息的包级别无线设备认证方法 | |
| CN116192530A (zh) | 一种基于欺骗性防御的未知威胁自适应检测方法 | |
| CN113420791B (zh) | 边缘网络设备接入控制方法、装置及终端设备 | |
| Chen et al. | Isolated forest-based ZigBee device identification using adaptive filter coefficients | |
| CN112016539B (zh) | 信号识别方法、装置、电子设备与存储介质 | |
| CN115001790A (zh) | 基于设备指纹的二级认证方法、装置及电子设备 | |
| CN116229128A (zh) | 实体图像的聚类处理方法、装置、电子设备及存储介质 | |
| CN109587136B (zh) | 一种基于双极大值的射频指纹特征提取和识别方法 | |
| CN117896176B (zh) | 面向工业物联网欺骗攻击的学习驱动物理层认证方法 | |
| CN112055012B (zh) | 分布式系统 | |
| CN110177373B (zh) | 接入点身份鉴别方法及装置、电子设备、计算机可读存储介质 | |
| CN112202731B (zh) | 一种电力设备认证方法 | |
| CN114501446B (zh) | 动态工业场景下基于PU bagging策略的物理层认证方法 |
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 |