CN112566129B - 一种可抗多径干扰的射频指纹提取与识别方法 - Google Patents

一种可抗多径干扰的射频指纹提取与识别方法 Download PDF

Info

Publication number
CN112566129B
CN112566129B CN202011436956.8A CN202011436956A CN112566129B CN 112566129 B CN112566129 B CN 112566129B CN 202011436956 A CN202011436956 A CN 202011436956A CN 112566129 B CN112566129 B CN 112566129B
Authority
CN
China
Prior art keywords
multipath
channel
signals
radio frequency
different
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
Application number
CN202011436956.8A
Other languages
English (en)
Other versions
CN112566129A (zh
Inventor
彭林宁
孙康
胡爱群
付华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202011436956.8A priority Critical patent/CN112566129B/zh
Publication of CN112566129A publication Critical patent/CN112566129A/zh
Application granted granted Critical
Publication of CN112566129B publication Critical patent/CN112566129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Noise Elimination (AREA)

Abstract

本发明涉及信息安全技术领域，具体的说是涉及一种可抗多径干扰的射频指纹提取与识别方法，首先，基于无线设备的工作场景，仿真生成该场景的无线信道多径参数。针对无线通信设备具体的应用场景，选用不同的方法模拟多径信道，其次，将训练阶段采集到的近距离受无线信道多径影响较小的信号通过生成的无线信道模型进行仿真，得到通过不同的无线信道仿真接收信号，然后，将通过不同的无线信道仿真接收信号作为射频指纹识别分类器的训练集，用于训练分类器，最后，使用基于预先使用不同无线信道仿真接收信号训练的分类器对实际经过无线信道传输的信号进行射频指纹分类识别，将可以有效的抵抗无线多径信道对射频指纹的影响。

Description

一种可抗多径干扰的射频指纹提取与识别方法
技术领域
本发明涉及信息安全技术领域，尤其涉及一种可抗多径干扰的射频指纹提取与识别方法。
背景技术
随着无线通信技术的不断发展，无线通信已经成为社会中不可或缺的一部分，其中存在的安全问题不容忽视。当今现有的大部分网络安全技术大多设计在协议中，然而，一旦获得了合法的用户信息，攻击者就可以伪装成用户接入网络进行犯罪活动。
电子元器件在生产过程中的容差会导致不同的无线通信设备发生的信号具有细微的差别，即使是同一厂家同一型号的无线通信设备也会因为容差效应存在一定程度的差异。射频指纹技术通过分析无线通信设备的通信信号特征，提取设备的射频指纹来进行设备识别，从而提高无线网络的安全性。
大多数无线环境下的通信会受到无线信道的影响，然而，传统的射频指纹识别技术更多考虑的是噪声对识别效果的影响，并未考虑实际中无线信道复杂的多径干扰效应，不能很好的识别叠加了多径信道的射频指纹。因此，需要一种可抗多径干扰的射频指纹提取与识别方法。
发明内容
发明目的：针对无线通信中提取到的射频指纹容易受到无线信道的干扰导致识别不准的情况，本发明提出了一种可抗多径干扰的射频指纹提取与识别方法。该方法将同一设备在不同多径信道条件下传输的数据引入训练集，将大量包含了不同的无线信道特征的数据引入卷积神经网络分类器，从而适应各种条件下的信道特征，达成稳定的射频指纹识别。
技术方案：本发明一种可抗多径干扰的射频指纹提取与识别方法包含以下步骤：
(1)采集实际环境下无线设备的输出信号，并进行预处理；
(2)将每个信号进行多径信道仿真环境处理，得到大量包含不同多径信道特征的信道信号；
(3)将所有信道信号按比例随机划分成训练集、验证集，使用训练集和验证集对卷积神经网络分类器进行训练，并采集实际数据对卷积神经网络分类器的性能进行验证；
(4)在不同场景采集无线通信设备的接收信号，进行预处理后，利用训练好的卷积神经网络分类器进行分类识别。
进一步的，步骤(1)中的预处理指的是信号检测和截取、能量归一化。
进一步的，步骤(2)具体包括：
(2-1)对训练集中的每一段切片信号，分别使用多个随机生成的有不同多径参数的多径信道处理，生成多段包含不同信道特征的信号，所述多径参数包括时延和增益；
(2-2)针对无线通信设备具体的应用场景，所述应用场景包括室内、室外或移动状态，根据所处的不同应用场景，选用不同范围的时延和增益随机生成用于模拟多径信道的多径参数；
(2-3)针对固定应用场景的设备，或参考M.1225标准中给出的室内和室外环境下的多径信道模型，并在其基础上加入随机的变化扰动来模拟多径信道的多径参数，并使用扰动过的多径信道进行训练；
(2-4)具体的多径信道生成模型以如下形式给出，信道的冲激响应为：
Figure BDA0002829484250000021
其中，τi和βi(t)分别为第1径的传播时延、路径增益，φi(t)为第i径的相位。φi(t)值由信号传播的距离决定，可以通过如下方式算出：
Figure BDA0002829484250000022
其中，v为电磁波的传播速度，DT为首径的传播距离，DM为传播间隔过程中的移动距离，考虑到发送方在信号传输过程中移动的方向是不可预测的，所以引入均匀分布的随机参数ω1～(0，1)来模拟移动方向的随机。同样的，另一个随机参数ω2～(0，1)被用于模拟每一径的初始相位。
(2-5)通过(2-4)中的方法得到信道的冲激响应h(t)后，将原始信号与信道的冲激响应卷积，即可得到经过多径信道传播后的即可得到经过多径信道传播后的信道信号；
(2-6)对训练集中所有信号都做了上述处理后，训练集中每个设备的信号都经过了足够数量多径信道的处理，从而确保卷积神经网络分类器在提取信号特征的时候，可以提取到设备自身的特征，而不是经过学习后提取到固定信道的特征。
进一步的，步骤(4)具体包括：
将无线通信设备分别设置在不同的应用场景，在不同场景下分别接收目标设备的无线信号，再将收到的信号按步骤(1)中的方法进行预处理，将预处理后的信号送入训练好的卷积神经网络分类器进行分类识别。
有益效果：本发明与现有技术相比，其显著优点是：本发明通过模拟无线信道的方法将使用多径信道处理信号，在分类器学习时可以有效提取目标设备的特征，减轻多径信道对特征的影响，从而实现抗多径干扰的射频指纹提取。在测试的过程中，面对不同信道条件下的信号，都有较好的识别成功率，可以有效地实现抗无线环境中多径干扰的射频指纹提取，具有较好的实用性。
附图说明
图1为本发明的一个实施例的流程示意图；
图2为本发明的一个实施例的实验平台示例；
图3为不同ZigBee模块的DCTF图示；
图4为本发明在多径信道环境下识别准确率的对比图。
具体实施方式
如图1所示，本实施例提供了一种可抗多径干扰的射频指纹提取与识别方法，具体包含以下步骤：
S1、在较好的环境下采集无线信号，在接收端将接收信号能量进行归一化处理。
本实施例的整个系统如图2所示，系统使用USRP N210软件无线电平台接受目标设备发出的射频信号，并选用54个ZigBee模块(CC2530)作为待识别设备，在较近距离下接收ZigBee无线发射模块发射的无线信号。选择较近距离的目的是尽可能增强首径的功率，从而减轻多径衰落多无线信号的影响，接收到较为纯净的未受多径信道干扰的原始数据。
USRP设备在10MHz的采样率下工作，采集基带频率在2505MHz、带宽为5MHz的ZigBee信号，每采集4万个样点作为一段数据用于特征提取。
数据采集完毕后使用计算机对数据进行过采样，并对信号进行检测和截取、能量归一化。
S2、根据目标设备具体的应用场景，在范围内随机生成不同的多径信道参数——每一径的增益、时延。
室内的情况：参考ITU-R M.1225中的给出室内测试环境中的每一径的增益及时延，添加随机的扰动后生成随机的多径信道参数。
室外的情况：参考ITU-R M.1225中的给出室外测试环境中的每一径的增益及时延，添加随机的扰动后生成随机的多径信道参数。
综合情况：随机生成用于模拟多径信道的多径参数。
S3、利用S2中生成的增益及时延参数，模拟出信道的冲激响应：
Figure BDA0002829484250000031
其中，τi和βi(t)分别为第l径的传播时延、路径增益，φi(t)为第i径的相位。φi(t)值由信号传播的距离决定，可以通过如下方式算出：
Figure BDA0002829484250000041
式中，v为电磁波的传播速度，DT为首径的传播距离，DM为传播间隔过程中的移动距离。引入均匀分布的随机参数ω1～(0，1)来模拟移动方向的随机。同样的，另一个随机参数ω2～(0，1)被用于模拟每一径的初始相位。
S4、将每个信号都与随机生成的信道的冲激响应做卷积，模拟信号在实际环境中通过多径信道的效果，其中每个信道分别通过10个多径参数不同的信道。
实验过程中分别尝试过将每段信号通过1个、3个、5个、10个、20个多径参数不同的信道，发现通过10个、20个信道的数据训练的卷积神经网络分类器的准确率要明显高于信道较少的情况，而20个信道与10个信道训练出的分类器性能并无差异，考虑到神经网络训练的时间开销，所以选择将每段信号通过10个多径参数不同的信道，在性能和开销上取得较为均衡的效果。
S5、如图3所示为实验中用于识别设备的DCTF图片，其中(a)、(b)、(c)为使用1号设备信号绘制出的DCTF图，(d)、(e)、(f)为使用2号设备信号绘制出的DCTF图；(a)、(d)中的信号为原始信号，(b)、(e)中的信号为通过了模拟的多径信道的信号，(c)、(f)中的信号为在实际的多径环境下测得的信号。
S6、将所有处理后的信号按5∶1的比例划分为训练集和测试集，在神经网络训练时，使用交叉验证法将训练集划分为k个大小相似的互斥子集，每次采用k-1个子集的并集作为训练集，剩下那个子集作为训练集，进行k次训练和验证，选用准确率最高的神经网络存储下来作为射频指纹分类器。
S7、将无线通信设备分别设置在不同的应用场景，接受目标设备在实际环境下受多径干扰的无线信号。
将目标设备分别置于室内，走廊，室外3处不同的场景，在3处场景下分别接受目标设备的无线信号。在每种场景中，都将设备置于不同的位置，天线摆放成不同的角度，通过这样的方法模拟实际应用场景中位置随机的待识别设备。
再将接收到的信号按S1中所述方法进行预处理，并将处理后的信号送入S6中训练好的卷积神经网络分类器中进行识别，并测试其性能。本发明所述方法，与未添加信道的原始方法训练出的分类器针对这些实际场景下的识别准确率对比如图4所示。
以上所述仅是本发明的优选实施方式，应当指出：对本技术领域的普通技术人员来说，在不脱离本发明原理的前提想，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种可抗多径干扰的射频指纹提取与识别方法，其特征在于，包括如下步骤：
(1)采集实际环境下无线设备的输出信号，并进行预处理；步骤(1)中所述的预处理包括：信号检测和截取、能量归一化；
(2)将每个信号进行多径信道仿真环境处理，得到大量包含不同多径信道特征的信道信号；步骤(2)中所述的多径信道仿真环境处理包括如下步骤：
(2-1)对训练集中的每一段切片信号，分别使用多个随机生成的有不同多径参数的多径信道处理，生成多段包含不同信道特征的信号，所述多径参数包括时延和增益；
(2-2)针对无线通信设备具体的应用场景，所述应用场景包括室内、室外或移动状态，根据所处的不同应用场景，选用不同范围的时延和增益随机生成用于模拟多径信道的多径参数；
(2-3)针对固定应用场景的设备，参考M.1225标准中给出的室内和室外环境下的多径信道模型，并在其基础上加入随机的变化扰动来模拟多径信道的多径参数，并使用扰动过的多径信道进行训练；
(2-4)具体的多径信道生成模型以如下形式给出，信道的冲激响应为：
其中，τi和βi(t)分别为第l径的传播时延、路径增益，φi(t)为第i径的相位，φi(t)值由信号传播的距离决定，可以通过如下方式算出：
其中，v为电磁波的传播速度，DT为首径的传播距离，DM为传播间隔过程中的移动距离，由于发送方在信号传输过程中移动的方向是不可预测的，所以引入均匀分布的随机参数ω1～(0,1)来模拟移动方向的随机，同样的，另一个随机参数ω2～(0,1)被用于模拟每一径的初始相位；
(2-5)通过(2-4)中的方法得到信道的冲激响应h(t)后，将原始信号与信道的冲激响应卷积，即可得到经过多径信道传播后的信道信号；
(2-6)对训练集中所有信号都做了上述处理后，训练集中每个设备的信号都经过了足够数量多径信道的处理，从而确保卷积神经网络分类器在提取信号特征的时候，可以提取到设备自身的特征，而不是经过学习后提取到固定信道的特征；
(3)将所有信道信号按比例随机划分成训练集、验证集，使用训练集和验证集对卷积神经网络分类器进行训练，并采集实际数据对卷积神经网络分类器的性能进行验证；
(4)在不同场景采集无线通信设备的接收信号，进行预处理后，利用训练好的卷积神经网络分类器进行分类识别。
2.根据权利要求1所述的可抗多径干扰的射频指纹提取与识别方法，其特征在于：步骤(4)具体包括：
将无线通信设备分别设置在不同的应用场景，在不同场景下分别接收目标设备的无线信号，再将收到的信号按步骤(1)中的方法进行预处理，将预处理后的信号送入训练好的卷积神经网络分类器进行分类识别。
CN202011436956.8A 2020-12-11 2020-12-11 一种可抗多径干扰的射频指纹提取与识别方法 Active CN112566129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011436956.8A CN112566129B (zh) 2020-12-11 2020-12-11 一种可抗多径干扰的射频指纹提取与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011436956.8A CN112566129B (zh) 2020-12-11 2020-12-11 一种可抗多径干扰的射频指纹提取与识别方法

Publications (2)

Publication Number Publication Date
CN112566129A CN112566129A (zh) 2021-03-26
CN112566129B true CN112566129B (zh) 2023-04-18

Family

ID=75060319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011436956.8A Active CN112566129B (zh) 2020-12-11 2020-12-11 一种可抗多径干扰的射频指纹提取与识别方法

Country Status (1)

Country Link
CN (1) CN112566129B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114374975A (zh) * 2022-03-22 2022-04-19 南京邮电大学 一种可抗多径衰落的射频指纹识别方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104683051B (zh) * 2015-02-11 2017-05-03 南京邮电大学 一种无线多径衰落信道仿真方法及信道仿真器
CN107947830B (zh) * 2017-11-15 2019-06-04 电子科技大学 一种可抵抗多径干扰的射频指纹识别方法
CN109919015A (zh) * 2019-01-28 2019-06-21 东南大学 一种基于多采样卷积神经网络的射频指纹提取和识别方法

Also Published As

Publication number Publication date
CN112566129A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Yang et al. Generative-adversarial-network-based wireless channel modeling: Challenges and opportunities
CN108764077B (zh) 一种基于卷积神经网络的数字信号调制分类方法
CN110099019B (zh) 基于深度学习的LoRa调制信号检测方法
CN109919015A (zh) 一种基于多采样卷积神经网络的射频指纹提取和识别方法
CN106713190B (zh) 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法
CN106446877A (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
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
KR102347174B1 (ko) 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법
CN111954219B (zh) 一种无人机的欺骗攻击的检测方法、系统及装置
CN112566129B (zh) 一种可抗多径干扰的射频指纹提取与识别方法
CN112115821A (zh) 一种基于小波近似系数熵的多信号智能调制模式识别方法
CN115294615A (zh) 一种基于机器学习的射频指纹识别方法
CN111446998B (zh) 基于深度学习的波达方向估计方法
CN116797796A (zh) Drfm间歇采样下基于时频分析与深度学习的信号识别方法
CN115902959A (zh) 一种各种环境下卫星导航接收机射频信号的测试方法
CN111027614A (zh) 一种噪声增强射频指纹识别方法及装置
CN114362851A (zh) 一种基于机器学习的无线信道数据去噪方法
CN118260571A (zh) 基于多模态特征融合和深度学习的卫星信号个体识别方法
CN116776227B (zh) 基于特征融合的卫星身份识别方法和装置
CN110444225B (zh) 基于特征融合网络的声源目标识别方法
CN112866150B (zh) 一种无线信道特征提取与降维方法及系统
CN115219991A (zh) 一种基于希尔伯特变换的二相编码调制信号识别方法
CN115996148A (zh) 一种面向mimo ofdm通信的电力物联网物理层设备认证方法
Diamantaras Blind channel identification based on the geometry of the received signal constellation
CN115393693A (zh) 一种基于icrn的序贯uwb-ir图像车辆目标识别方法

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