CN112712046B - 一种基于设备硬件指纹的无线充电设备认证方法 - Google Patents

一种基于设备硬件指纹的无线充电设备认证方法 Download PDF

Info

Publication number
CN112712046B
CN112712046B CN202110013288.6A CN202110013288A CN112712046B CN 112712046 B CN112712046 B CN 112712046B CN 202110013288 A CN202110013288 A CN 202110013288A CN 112712046 B CN112712046 B CN 112712046B
Authority
CN
China
Prior art keywords
sample
sample set
model
signal
wireless charging
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
CN202110013288.6A
Other languages
English (en)
Other versions
CN112712046A (zh
Inventor
冀晓宇
徐文渊
王之昀
张嘉瑀
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110013288.6A priority Critical patent/CN112712046B/zh
Publication of CN112712046A publication Critical patent/CN112712046A/zh
Application granted granted Critical
Publication of CN112712046B publication Critical patent/CN112712046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/13—Sensors therefor
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/44—Program or device authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于设备硬件指纹的无线充电设备认证方法，属于智能电网安全领域。该方法是一种利用无线充电设备硬件制造中的固有硬件差异，通过对无线充电信号的分析处理和分类，从而对无线充电设备进行认证，主要包括信号采集、数据预处理、特征分析、特征提取、训练机器学习模型、调参优化机器学习模型、设备分类、可信数据库管理。本发明结合机器学习模型，实现了对无线充电设备的认证，对可能存在篡改的无线充电设备进行主动认证和防御。

Description

一种基于设备硬件指纹的无线充电设备认证方法
技术领域
本发明属于智能电网安全领域，涉及一种基于设备硬件指纹的无线充电设备认证方法。
背景技术
物联网作为新一代信息技术的重要组成部分，是在互联网基础上的延伸和扩展，是指通过各类信息传感器的测量数据，结合多种技术例如射频识别技术、全球定位系统技术等，实时采集需要监控、连接、互动的物体或过程信息，通过网络接入，实现物与物、物与人的泛在连接。而作为物联网领域重要的供能设备和组成部分，无线充电设备已经在智能手机、智能家居等多种场景中的得到了广泛的应用，而无线充电设备近距离接触的特点，由此带来的安全性问题就不容忽视。
无线充电带来的安全隐患主要在于无线充电设备与被充电设备之间在厘米级别的近距离接触条件下，利用被篡改的无线充电设备，通过近场通信对被充电设备进行攻击，可能造成窃取用户隐私、设备损坏等多种问题。
发明内容
为了解决上述技术问题，本发明公开了一种基于设备硬件指纹的无线充电设备认证方法，通过对无线充电设备的无线信号进行信号采集、数据处理、特征分析和特征提取，实现对无线充电设备的硬件指纹的提取和分类，从而对无线充电上设备进行认证。通过信号采集、数据预处理、特征分析、特征提取、训练机器学习模型、调参优化机器学习模型，对不同无线充电设备进行分类，实现对无线充电设备基于硬件指纹的认证。目前国内在此领域的研究尚未成熟，本发明可以填补国内在此领域的空白，提升无线充电设备的认证手段和安全性能。
为了实现上述目的，本发明采用的技术方案如下：
一种基于设备硬件指纹的无线充电设备认证方法，包括以下步骤：
步骤1：对无线充电设备工作时的数据进行采集，并对其中包含无线充电设备的硬件指纹的信号进行选取和分割；
步骤2：根据无线充电信号传输标准中的先验知识，对采集到的信号数据进行数据预处理，得到信号样本集S；
步骤3：对步骤2中获得的信号样本集S从时域、离散小波域和频域进行特征提取，得到每一个样本构成的一系列特征集，形成样本特征集合Sfea作为设备硬件指纹；
步骤4：构建极端随机树模型，初始化模型参数；
步骤5：对模型采用5折交叉验证的方法，动态调整模型超参数，选取交叉验证结果最好的超参数值；
步骤6：利用所有的样本特征集合Sfea，对确定好超参数的极端随机树模型进行训练，获得训练好的模型参数，得到能够实现无线充电设备分类的分类模型；
步骤7：根据已有的无线充电设备和步骤6得到的分类模型，构建可信数据库，用于管理经过验证的无线充电设备，基于白名单机制对未知的设备进行认证和管理。
本发明具备的有益效果：
(1)本发明通过对无线充电设备的无线信号进行信号采集、数据处理、特征分析和特征提取，并将硬件指纹进行数据挖掘，分析并选择一系列特征构建无线充电设备的独一无二的硬件指纹，实现了对可能存在篡改的无线充电设备进行主动认证和防御。
(2)本发明采用Extra Trees的机器学习模型，首先采用5折交叉验证的方法得到模型中的重要超参数值，然后再对模型整体进行训练，建立可信设备数据库，基于白名单机制对未知的设备进行认证，认证速度快、效率高、精度高。
附图说明
图1是本发明的方法流程图；
图2是可信数据库认证管理流程图。
图3是本发明的方法的测试效果随时间变化的曲线；
图4是本发明的方法在不同测试环境下的测试效果；
图5是本实施例中的8个测试设备认证结果的混淆矩阵。
具体实施方式
为了使本发明的内容、效果更加清楚明白，下面对本发明的优选实施方式作出详细的说明。
本发明提供一种基于设备硬件指纹的无线充电设备认证方法，该方法是一种利用无线充电设备硬件制造中的固有硬件差异，通过对无线充电信号的分析处理和分类，从而对无线充电设备进行认证的方法。方法流程图如图1所示，主要是信号采集、数据预处理、特征分析、特征提取、训练机器学习模型、调参优化机器学习模型、设备分类、可信数据库管理。
该方法具体如下：
步骤1：对无线充电设备工作时的数据进行采集，并选择其中包含设备硬件指纹部分的信号进行选取和分割。具体步骤如下：
步骤1.1：分析无线充电设备的工作状态，所述的工作状态包括待机和正在充电两种状态；
步骤1.2：选择无线充电设备待机时候的工作状态，使用采集线圈和软件无线电对无线信号进行采集；
步骤1.3：将采集到的待机状态的时间序列信号记为Dseq，采用滑窗的方法对高于一定阈值Th的信号点进行检测，若滑窗W内连续检测到超过阈值Th的点数和滑窗长度WL一致，则从该滑窗起始点开始连续选取N个点作为该次采集的信号数据Dsig；
步骤1.4：将选取的信号数据Dsig从原始信号序列Dseq中分割出来，作为包含无线充电设备的硬件指纹的信号。
步骤2：根据无线充电信号传输标准中的先验知识，对采集到的信号数据Dsig进行数据预处理，得到信号样本集S。具体步骤如下：
步骤2.1：对采集到的信号数据进行滤波处理，过滤其中的直流信号和噪声信号；
步骤2.2：对步骤2.1中滤波后的信号进行异常值检测，去除其中偏离过大的异常值，并用临近两个值的平均值代替进行线性插值；在本发明的一项具体实施中，异常值可以通过设定阈值的方式实现，例如，将偏离大于某一阈值的信号点视为异常值。
步骤2.3：对步骤2.2处理后的信号做标准化处理，避免不同幅值对后续特征分析和提取的影响，得到无线充电设备信号样本集S。
步骤3：对步骤2中获得的信号样本集S从时域、离散小波域和频域进行特征分析和特征处理，得到每一个样本构成的一系列特征集，最后得到一个样本特征集合Sfea，作为其设备硬件指纹。特征集的提取具体步骤如下：
步骤3.1：计算每一个信号样本的均值；
步骤3.2：计算每一个信号样本的方差；
步骤3.3：计算每一个信号样本的自相关系数；
步骤3.4：计算每一个信号样本的绝对能量值；
步骤3.5：计算每一个信号样本的线性回归系数；
步骤3.6：计算每一个信号样本的最大值；
步骤3.7：计算每一个信号样本的最小值；
步骤3.8：计算每一个信号样本的最大值位置；
步骤3.9：计算每一个信号样本的最小值位置；
步骤3.10：计算每一个信号样本的自回归系数；
步骤3.11：计算每一个信号样本离散小波变换后的偏度；
步骤3.12：计算每一个信号样本离散小波变换后的峰度；
步骤3.13：计算每一个信号样本离散小波变换后的中位数；
步骤3.14：计算每一个信号样本傅里叶变换后的最大值；
步骤3.15：计算每一个信号样本傅里叶变换后的次大值；
步骤3.16：计算每一个信号样本傅里叶变换后的最大值对应的频率；
步骤3.17：计算每一个信号样本傅里叶变换后的次大值对应的频率；
步骤3.18：计算每一个信号样本傅里叶变换后的方差；
步骤3.19：融合上述样本的特征，将每一个样本构成上述样本的特征集，作为其设备硬件指纹。
步骤4：构建极端随机树模型，初始化模型参数。在本实施例中，使用Python中的Sklearn库中的Extra Trees Classify搭建极端随机树模型，初始化采用默认参数。
步骤5：对模型通过5折交叉验证的方法，动态调整模型中的超参数值，选取交叉验证结果最好的参数值，进行模型超参数的调整，具体步骤如下：
步骤5.1：将样本特征集合随机分成等比例的5份，分别记作样本集D1，样本集D2，样本集D3，样本集D4和样本集D5，其中，每个样本集的特征分布尽可能一致(包括样本与样本之间的均值，方差，中位数等统计量尽可能一致)；
步骤5.2：选取对模型效果影响因素大的超参数，设定动态变化范围和步长；
步骤5.3：对动态变化范围内的每个参数使用4份样本训练，1份样本测试。交叉验证过程具体为：
使用样本集D1、样本集D2、样本集D3、样本集D4训练分类器模型，使用样本集D5对模型进行测试，将其输出模型记为H1；
使用样本集D1、样本集D2、样本集D3、样本集D5训练分类器模型，使用样本集D4对模型进行测试，将其输出模型记为H2；
使用样本集D1、样本集D2、样本集D4、样本集D5训练分类器模型，使用样本集D3对模型进行测试，将其输出模型记为H3；
使用样本集D1、样本集D3、样本集D4、样本集D5训练分类器模型，使用样本集D2对模型进行测试，将其输出模型记为H4；
最后使用样本集D2、样本集D3、样本集D4、样本集D5训练分类器模型，使用样本集D1对模型进行测试，将其输出模型记为H5；
则模型最后预测结果为
Figure BDA0002885999550000051
步骤5.4：在模型参数动态变化范围内，选择模型交叉验证预测结果M最好的参数作为最终该模型使用的超参数。
步骤6：利用所有的样本特征集合Sfea，对确定好超参数的极端随机树模型进行训练，获得训练好的模型参数，得到能够实现无线充电设备分类的分类模型，使模型分类性能表现为最佳，能够实现对无线充电设备的分类。
步骤7：根据已有的无线充电设备和分类模型，构建可信数据库管理经过验证的无线充电设备，基于白名单机制对未知的设备进行认证和管理，可信数据库认证和管理的方法如图2所示。具体步骤如下：
步骤7.1：通过智能手机采样未知充电器的信号；
步骤7.2：根据步骤1-3获取该设备的硬件指纹，输入已建立的模型中进行分类，得到该无线充电设备的对应的设备类别；
步骤7.3：对比白名单上的无线充电设备，对属于白名单上的设备进行认证通过，对不在白名单上的上设备给出认证失败并拒绝连接。
为了验证本发明的效果，本实施例以8个设备为例进行了测试。图3是本发明的方法的测试效果随时间变化的曲线，无论是预测正确率、召回率和F1分数，均不会因为时间的延长而降低精度，始终能够稳定在98％-99％。
本发明还测试了不同的实验环境下的情况，如图4所示，在会议室环境、图书馆环境和办公室环境均取得了良好的测试效果，
以8个设备为例，其认证结果的混淆矩阵如图5所示，8个设备均能够实现有效区分。
以上所述仅为本发明的优选实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于设备硬件指纹的无线充电设备认证方法，其特征在于，包括以下步骤：
步骤1：对无线充电设备工作时的数据进行采集，并对其中包含无线充电设备的硬件指纹的信号进行选取和分割；其中，所述的步骤1具体为：
步骤1.1：确认无线充电设备的工作状态，所述的工作状态包括待机状态和充电状态；
步骤1.2：针对无线充电设备的待机状态，使用采集线圈和软件无线电对无线信号进行采集；
步骤1.3：将采集到的待机状态的时间序列信号记为Dseq，采用滑窗的方法对高于一定阈值Th的信号点进行检测，若滑窗W内连续检测到超过阈值Th的点数和滑窗长度WL一致，则从该滑窗起始点开始连续选取N个点作为该次采集的信号数据Dsig；
步骤1.4：将选取的信号数据Dsig从原始信号序列Dseq中分割出来，作为包含无线充电设备的硬件指纹的信号；
步骤2：根据无线充电信号传输标准中的先验知识，对采集到的信号数据进行数据预处理，得到信号样本集S；其中，所述的步骤2具体为：
步骤2.1：对采集到的信号数据进行滤波处理，过滤其中的直流信号和噪声信号；
步骤2.2：对步骤2.1中滤波后的信号进行异常值检测，去除其中偏离大于阈值的异常值，并用临近两个值的平均值代替进行线性插值；
步骤2.3：对步骤2.2处理后的信号做标准化处理，得到无线充电设备信号样本集S；
步骤3：对步骤2中获得的信号样本集S从时域、离散小波域和频域进行特征提取，得到每一个样本构成的一系列特征集，形成样本特征集合Sfea作为设备硬件指纹；其中，步骤3所述的特征集中所包含的特征包括均值、方差、自相关系数、绝对能量值、线性回归系数、最大值、最小值、最大值位置、最小值位置、自回归系数、离散小波变换后的偏度、离散小波变换后的峰度、离散小波变换后的中位数、傅里叶变换后的最大值、傅里叶变换后的次大值、傅里叶变换后的最大值对应的频率、傅里叶变换后的次大值对应的频率、傅里叶变换后的方差；
所述样本特征集合的提取过程如下：
计算每一个信号样本的均值；
计算每一个信号样本的方差；
计算每一个信号样本的自相关系数；
计算每一个信号样本的绝对能量值；
计算每一个信号样本的线性回归系数；
计算每一个信号样本的最大值；
计算每一个信号样本的最小值；
计算每一个信号样本的最大值位置；
计算每一个信号样本的最小值位置；
计算每一个信号样本的自回归系数；
计算每一个信号样本离散小波变换后的偏度；
计算每一个信号样本离散小波变换后的峰度；
计算每一个信号样本离散小波变换后的中位数；
计算每一个信号样本傅里叶变换后的最大值；
计算每一个信号样本傅里叶变换后的次大值；
计算每一个信号样本傅里叶变换后的最大值对应的频率；
计算每一个信号样本傅里叶变换后的次大值对应的频率；
计算每一个信号样本傅里叶变换后的方差；
融合所述样本的特征，将每一个样本构成样本特征集合，作为所述设备硬件指纹；
步骤4：构建极端随机树模型，初始化模型参数；
步骤5：对模型采用5折交叉验证的方法，动态调整模型超参数，选取交叉验证结果最好的超参数值；其中，所述的步骤5具体为：
步骤5.1：将样本特征集合随机分成等比例的5份，分别记作样本集D1、样本集D2、样本集D3、样本集D4和样本集D5；
步骤5.2：选取模型超参数，设定动态变化范围和步长；
步骤5.3：对动态变化范围内的每个参数使用4份样本训练，1份样本测试：
使用样本集D1、样本集D2、样本集D3、样本集D4训练极端随机树模型，使用样本集D5对模型进行测试，将其输出模型记为H1；
使用样本集D1、样本集D2、样本集D3、样本集D5训练极端随机树模型，使用样本集D4对模型进行测试，将其输出模型记为H2；
使用样本集D1、样本集D2、样本集D4、样本集D5训练极端随机树模型，使用样本集D3对模型进行测试，将其输出模型记为H3；
使用样本集D1、样本集D3、样本集D4、样本集D5训练极端随机树模型，使用样本集D2对模型进行测试，将其输出模型记为H4；
使用样本集D2、样本集D3、样本集D4、样本集D5训练极端随机树模型，使用样本集D1对模型进行测试，将其输出模型记为H5；
模型最后的预测结果为
Figure FDF0000024280110000031
步骤5.4：在模型参数动态变化范围内，选择模型交叉验证预测结果M最好的参数作为最终该模型使用的超参数；随机分为5份的样本集中的特征分布一致；所述样本与样本之间的统计量一致；
步骤6：利用所有的样本特征集合Sfea，对确定好超参数的极端随机树模型进行训练，获得训练好的模型参数，得到能够实现无线充电设备分类的分类模型；
步骤7：根据已有的无线充电设备和步骤6得到的分类模型，构建可信数据库，用于管理经过验证的无线充电设备，基于白名单机制对未知的设备进行认证和管理；其中，所述的步骤7具体为：针对待认证的无线充电设备，根据步骤1-3获取该设备的硬件指纹，输入已建立的模型中进行分类，得到该无线充电设备的对应的设备类别；
对比可信数据库中白名单上的无线充电设备，对属于白名单上的设备进行认证通过，对不属于白名单上的设备发出认证失败的提醒并拒绝连接。
CN202110013288.6A 2021-01-06 2021-01-06 一种基于设备硬件指纹的无线充电设备认证方法 Active CN112712046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110013288.6A CN112712046B (zh) 2021-01-06 2021-01-06 一种基于设备硬件指纹的无线充电设备认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110013288.6A CN112712046B (zh) 2021-01-06 2021-01-06 一种基于设备硬件指纹的无线充电设备认证方法

Publications (2)

Publication Number Publication Date
CN112712046A CN112712046A (zh) 2021-04-27
CN112712046B true CN112712046B (zh) 2023-06-16

Family

ID=75548371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110013288.6A Active CN112712046B (zh) 2021-01-06 2021-01-06 一种基于设备硬件指纹的无线充电设备认证方法

Country Status (1)

Country Link
CN (1) CN112712046B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107222477A (zh) * 2017-05-27 2017-09-29 国网山东省电力公司 一种设备接入识别认证系统和方法
CN111866876A (zh) * 2020-06-02 2020-10-30 东南大学 一种基于频偏预处理的无线设备识别方法、装置及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7639806B2 (en) * 2004-03-24 2009-12-29 Iowa State University Research Foundation, Inc. Fingerprinting digital devices using electromagnetic characteristics of their communications
CN107894564B (zh) * 2017-11-09 2020-02-18 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
US10826902B1 (en) * 2018-03-01 2020-11-03 The United States Of America As Represented By The Secretary Of The Air Force Internet of things (IoT) identifying system and associated methods
CN108810910A (zh) * 2018-05-23 2018-11-13 浙江工业大学 一种基于信道状态信息构建可视图网络的入侵检测方法
CN110175195B (zh) * 2019-04-23 2022-11-29 哈尔滨工业大学 基于极端随机树的混合气体检测模型构建方法
CN111144522B (zh) * 2019-12-16 2021-01-08 浙江大学 一种基于硬件本征差异的电网nfc设备指纹认证方法
CN111385297B (zh) * 2020-03-04 2021-12-28 西安交通大学 无线设备指纹识别方法、系统、设备及可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107222477A (zh) * 2017-05-27 2017-09-29 国网山东省电力公司 一种设备接入识别认证系统和方法
CN111866876A (zh) * 2020-06-02 2020-10-30 东南大学 一种基于频偏预处理的无线设备识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN112712046A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN106899968B (zh) 一种基于WiFi信道状态信息的主动非接触身份认证方法
CN111666169B (zh) 一种基于改进的孤立森林算法和高斯分布的联合数据异常检测方法
Gerdes et al. Device identification via analog signal fingerprinting: A matched filter approach
CN108806718B (zh) 基于对enf相位谱和瞬时频率谱分析的音频鉴定方法
CN105678273A (zh) 射频指纹识别技术瞬态信号的起始点检测算法
CN111144522B (zh) 一种基于硬件本征差异的电网nfc设备指纹认证方法
CN112329713A (zh) 网络流量异常在线检测方法、系统、计算机设备及存储介质
CN113609977A (zh) 基于信道状态信息商距离的行人步态识别方法
Guowei et al. Research on network intrusion detection method of power system based on random forest algorithm
CN105468922A (zh) 一种现场电磁环境信号实时分析与威胁评估方法
CN109409216B (zh) 基于子载波动态选择的速度自适应室内人体检测方法
Zhang et al. Fingerprint presentation attack detection by learning in frequency domain
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及系统
CN112464209B (zh) 一种电力终端指纹认证方法及装置
CN112712046B (zh) 一种基于设备硬件指纹的无线充电设备认证方法
CN104125050A (zh) 超高频rfid读卡器协议一致性测试方法
CN107944513B (zh) 一种试验现场无线设备身份识别系统及方法
CN117782198A (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
CN109598216B (zh) 一种基于卷积的射频指纹特征提取方法
CN117493961A (zh) 一种局部放电信号分离与识别方法、装置及存储介质
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
CN113365273A (zh) 一种基于信道状态信息的包级别无线设备认证方法
CN112489330A (zh) 一种仓库防盗报警方法
Setiawan et al. Features extraction of palm vein image using phase symmetry
CN114978582B (zh) 一种基于迭代余弦谱变换的射频指纹识别方法及系统

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