CN113065385A - 一种基于轴向积分双谱的通信辐射源个体识别方法 - Google Patents
一种基于轴向积分双谱的通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN113065385A CN113065385A CN202011403849.5A CN202011403849A CN113065385A CN 113065385 A CN113065385 A CN 113065385A CN 202011403849 A CN202011403849 A CN 202011403849A CN 113065385 A CN113065385 A CN 113065385A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- communication radiation
- radio frequency
- source individual
- bispectrum
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 53
- 230000005855 radiation Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000010354 integration Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提供了一种基于轴向积分双谱的通信辐射源个体识别方法,首先确定待识别通信辐射源个体,并通过接收机对通信辐射源个体的射频基带信号进行采集,采集得到I路信号或者Q路信号;选择I路信号或者Q路信号进行射频基带信号片段截取,对截取到的射频基带信号片段进行无量纲化处理,随后对无量纲化处理后数据进行轴向积分双谱变换,并对变换后信号数据进行降维处理,得到多维特征向量,将所述多维特征向量作为待识别通信辐射源个体的射频指纹,将所述射频指纹输入灰色关联分类器中,完成通信辐射源个体的识别分类。本发明利用稳态信号易提取且稳定的特点构建的识别方式在成本低,操作简洁安全的同时还保证了识别的有效性和可靠性。
Description
技术领域
本发明涉及通信辐射源个体识别技术领域,尤其是指一种基于轴向积分双谱的通信辐射源个体识别方法。
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,只有准确地识别和认证物联对象,才能阻止用户身份假冒和设备克隆等信息安全漏洞的产生,而如何准确识别和认证物联对象就成了物联网得以应用首要解决的问题。传统的认证机制虽然可以进行物联对象的识别和认证,但是传统的认证机制采用的密码算法生成数值结果的认证方法存在着协议安全漏洞和密钥泄露等风险。且传统的认证机制不能够处理大规模网络以及其所带来的海量数据。所有,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。
发明内容
本发明的目的是克服现有技术中的缺点,提供一种基于轴向积分双谱的通信辐射源个体识别方法。
本发明的目的是通过下述技术方案予以实现:
一种基于轴向积分双谱的通信辐射源个体识别方法,包括以下步骤:
步骤一:确定待识别通信辐射源个体,通过接收机对通信辐射源个体的射频基带信号进行采集,采集得到I路信号或者Q路信号;
步骤二:选择I路信号或者Q路信号进行射频基带信号片段截取,对截取到的射频基带信号片段进行无量纲化处理;
步骤三:对无量纲化处理处理后的射频基带信号片段进行轴向积分双谱变换,并对变换后信号数据进行降维处理,得到多维特征向量,将所述多维特征向量作为待识别通信辐射源个体的射频指纹;
步骤四:将所述待识别通信辐射源个体的射频指纹输入灰色关联分类器中,完成通信辐射源个体的识别分类。
通过采集射频指纹来进行通信辐射源个体的识别,射频指纹识别技术是基于设备物理层特征的识别技术,即使是相似度极高的设备由于电子元器件的细微差别,所提取到的射频指纹也是不一样的,所以将射频指纹识别技术可以很好的达到通信辐射源个体识别的有效性和准确性要求,且射频指纹特征并不依赖于发射机所传输的内容,它是独立且稳定的,不用担心过了一段时间之后会无法进行识别。利用轴向积分双谱对采集到的射频基带信号进行处理可以抑制和降低干扰和噪声的影响,但是由于轴向积分双谱处理过后数据维数出现变化,造成了数据的复杂化,所以将轴向积分双谱进行降维处理,降维处理后的数据保留了采集的通信辐射源个体的幅值特征,所以将降维后数据作为通信辐射源个体的射频指纹来进行识别分类。
所述通信辐射源个体的射频基带信号为稳态信号。
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。
步骤二中所述射频基带信号片段通过对I路信号或Q路信号进行方差轨迹检测处理得到。
步骤三中所述降维处理的方法为PCA降维方法。
使用PCA降维方法进行降维处理时没有参数限值且原理简单,易于实现。
所述PCA降维方法具体包括以下步骤:
1.1将轴向积分双谱变化后的数据集合为样本集,并确定低维空间维数k;
1.2将样本集中心化,求出协方差矩阵;
1.3求出协方差矩阵的特征值和特征值对应的特征向量;
1.4选取前k个特征值和特征值对应的特征向量,所述前k个特征值和特征值对应的特征向量即为降维后获取的多维特征向量。
所述灰色关联分类器对通信辐射源个体的识别包括通信辐射源调制识别、个体识别和物联网设备物理层认证。
识别类型的丰富进一步保证了识别的准确性。
步骤三中所述无量纲化处理具体为对所述射频基带信号片段进行数据标准化处理。
本发明的有益效果是:
通过采集通信辐射源个体的稳态信号进行射频指纹提取,很好的利用了稳态信号持续时间长,易获得的优点,从稳态信号中获取的射频指纹具有稳定性,支持通信辐射源的长久识别。且利用了轴向积分双谱来对从稳态信号内获取的射频基带信号进行处理,去除了信号噪声段,提取出有效信息,节省了后续分类器的计算时间。而灰色关联分类器可实现对通信辐射源个体的调制识别、个体识别和物联网设备物理层认证,进一步保证了识别的准确性。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
一种基于轴向积分双谱的通信辐射源个体识别方法,包括以下步骤:
步骤一:确定待识别通信辐射源个体,通过接收机对通信辐射源个体的射频基带信号进行采集,采集得到I路信号或者Q路信号;
步骤二:选择I路信号或者Q路信号进行射频基带信号片段截取,对截取到的射频基带信号片段进行无量纲化处理;
步骤三:对无量纲化处理处理后的射频基带信号片段进行轴向积分双谱变换,并对变换后信号数据进行降维处理,得到多维特征向量,将所述多维特征向量作为待识别通信辐射源个体的射频指纹;
步骤四:将所述待识别通信辐射源个体的射频指纹输入灰色关联分类器中,完成通信辐射源个体的识别分类。
所述通信辐射源个体的射频基带信号为稳态信号。
步骤二中所述射频基带信号片段通过对I路信号或Q路信号进行方差轨迹检测处理得到。
步骤三中所述降维处理的方法为PCA降维方法。
所述PCA降维方法具体包括以下步骤:
1.1将轴向积分双谱变化后的数据集合为样本集,并确定低维空间维数k;
1.2将样本集中心化,求出协方差矩阵;
1.3求出协方差矩阵的特征值和特征值对应的特征向量;
1.4选取前k个特征值和特征值对应的特征向量,所述前k个特征值和特征值对应的特征向量即为降维后获取的多维特征向量。
所述灰色关联分类器对通信辐射源个体的识别包括通信辐射源调制识别、个体识别和物联网设备物理层认证。
步骤三中所述无量纲化处理具体为对所述射频基带信号片段进行数据标准化处理。
通过同厂家同型号同批次的100个WiFi网卡设备的识别来验证上述基于轴向积分双谱的通信辐射源个体识别方法的有效性和准确性,具体包括以下步骤:
在实验室LOS里通过FSW26频谱仪采集100个WiFi网卡设备的射频基带信号,每个设备采集50个样本;信号采集带宽为80MHz,每次采集1.75ms,每个样本单路信号采集140000点,经过方差轨迹检测除去信号噪声段后有效数据传输段为80000点,且剩下的有效数据均为稳态信号,再对以40000点为新的样本进行切片处理,总共有5000个样本进行射频指纹提取。将该5000个样本经过轴向积分双谱变换并经PCA降维特征处理后提取到射频指纹,且每个射频指纹特征向量有250个特征参数组成,并从5000个样本中随机选择2000个样本,将提取得到的射频指纹输入灰色关联分类器中进行识别测试。最终对该100个同厂家同型号同批次的的WiFi网卡设备的平均识别准确率能达到94.6%,论证了本发明所提出的方法的有效性与可靠性。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (7)
1.一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,包括以下步骤:
步骤一:确定待识别通信辐射源个体,通过接收机对通信辐射源个体的射频基带信号进行采集,采集得到I路信号或者Q路信号;
步骤二:选择I路信号或者Q路信号进行射频基带信号片段截取,对截取到的射频基带信号片段进行无量纲化处理;
步骤三:对无量纲化处理处理后的射频基带信号片段进行轴向积分双谱变换,并对变换后信号数据进行降维处理,得到多维特征向量,将所述多维特征向量作为待识别通信辐射源个体的射频指纹;
步骤四:将所述待识别通信辐射源个体的射频指纹输入灰色关联分类器中,完成通信辐射源个体的识别分类。
2.根据权利要求1所述的一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,所述通信辐射源个体的射频基带信号为稳态信号。
3.根据权利要求1所述的一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,步骤二中所述射频基带信号片段通过对I路信号或Q路信号进行方差轨迹检测处理得到。
4.根据权利要求1所述的一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,步骤三中所述降维处理的方法为PCA降维方法。
5.根据权利要求4所述的一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,所述PCA降维方法具体包括以下步骤:
1.1将轴向积分双谱变化后的数据集合为样本集,并确定低维空间维数k;
1.2将样本集中心化,求出协方差矩阵;
1.3求出协方差矩阵的特征值和特征值对应的特征向量;
1.4选取前k个特征值和特征值对应的特征向量,所述前k个特征值和特征值对应的特征向量即为降维后获取的多维特征向量。
6.根据权利要求1所述的一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,所述灰色关联分类器对通信辐射源个体的识别包括通信辐射源调制识别、个体识别和物联网设备物理层认证。
7.根据权利要求1所述的一种基于轴向积分双谱的通信辐射源个体识别方法,其特征在于,步骤三中所述无量纲化处理具体为对所述射频基带信号片段进行数据标准化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403849.5A CN113065385A (zh) | 2020-12-03 | 2020-12-03 | 一种基于轴向积分双谱的通信辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403849.5A CN113065385A (zh) | 2020-12-03 | 2020-12-03 | 一种基于轴向积分双谱的通信辐射源个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065385A true CN113065385A (zh) | 2021-07-02 |
Family
ID=76559113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011403849.5A Pending CN113065385A (zh) | 2020-12-03 | 2020-12-03 | 一种基于轴向积分双谱的通信辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065385A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456035A (zh) * | 2022-11-10 | 2022-12-09 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及系统 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
-
2020
- 2020-12-03 CN CN202011403849.5A patent/CN113065385A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537100A (zh) * | 2017-11-17 | 2018-09-14 | 吉林大学 | 一种基于pca和lda分析的心电信号身份识别方法及系统 |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
CN110197209A (zh) * | 2019-05-15 | 2019-09-03 | 电子科技大学 | 一种基于多特征融合的辐射源识别方法 |
Non-Patent Citations (1)
Title |
---|
任东方等: "基于双谱与特征选择的通信辐射源识别算法", 《信息工程大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456035A (zh) * | 2022-11-10 | 2022-12-09 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Deep learning based RF fingerprint identification using differential constellation trace figure | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
Han et al. | GenePrint: Generic and accurate physical-layer identification for UHF RFID tags | |
Candore et al. | Robust stable radiometric fingerprinting for wireless devices | |
CN111866876A (zh) | 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 | |
CN110868409A (zh) | 一种基于tcp/ip协议栈指纹的操作系统被动识别方法及系统 | |
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 | |
Wu et al. | DSLN: Securing Internet of Things through RF fingerprint recognition in low-SNR settings | |
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 | |
Guo et al. | Survey of mobile device authentication methods based on RF fingerprint | |
Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
CN113065385A (zh) | 一种基于轴向积分双谱的通信辐射源个体识别方法 | |
Parmaksız et al. | A review of recent developments on secure authentication using RF fingerprints techniques | |
Zhang et al. | Radio frequency fingerprint identification based on logarithmic power cosine spectrum | |
Peng et al. | Specific emitter identification via squeeze-and-excitation neural network in frequency domain | |
KR102347174B1 (ko) | 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법 | |
CN113869156A (zh) | 一种射频指纹识别方法 | |
CN109587136B (zh) | 一种基于双极大值的射频指纹特征提取和识别方法 | |
Wang et al. | Research on physical layer security of cognitive radio network based on rf-dna | |
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 | |
CN109598216A (zh) | 一种基于卷积的射频指纹特征提取方法 | |
Li et al. | Adaptive filter-based approach for phy fingerprints extraction of fast ethernet network | |
Zhang et al. | Monitoring and identification of WiFi devices for Internet of Things security | |
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 | |
Sikora et al. | Accuracy improvements of identification and authentication of devices by EM-measurements |
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 |
Application publication date: 20210702 |
|
RJ01 | Rejection of invention patent application after publication |