CN113095378B - 无线网络设备识别方法、计算机设备以及可读存储介质 - Google Patents

无线网络设备识别方法、计算机设备以及可读存储介质 Download PDF

Info

Publication number
CN113095378B
CN113095378B CN202110325569.5A CN202110325569A CN113095378B CN 113095378 B CN113095378 B CN 113095378B CN 202110325569 A CN202110325569 A CN 202110325569A CN 113095378 B CN113095378 B CN 113095378B
Authority
CN
China
Prior art keywords
signal
equipment
wireless network
radio
data packet
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
CN202110325569.5A
Other languages
English (en)
Other versions
CN113095378A (zh
Inventor
程克非
邓毓杰
张亮
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110325569.5A priority Critical patent/CN113095378B/zh
Publication of CN113095378A publication Critical patent/CN113095378A/zh
Application granted granted Critical
Publication of CN113095378B publication Critical patent/CN113095378B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及物联网设备嗅探识别技术领域，具体涉及一种无线网络设备识别方法、计算机设备以及可读存储介质，包括：利用软件无线电设备捕获无线网络设备的无线电信号，对无线电信号进行信号滤波及低噪声放大；通过模数转换得到数据包的字节流信息，在原始字节流的基础上根据无线网络协议要求分离数据包，提取数据包的有效特征并识别；对原始无线电信号经过信号变换后进行特征提取工作，在原始特征的基础上构造出新的特征即信号射频指纹并识别；将根据数据包特征识别出的结果和根据射频指纹识别出的结果进行融合，利用两次识别的结果识别设备类型，在已获得设备类型的基础上根据射频指纹识别具体设备固件信息，得到最终分类结果，实现设备固件识别。

Description

无线网络设备识别方法、计算机设备以及可读存储介质
技术领域
本发明涉及物联网设备嗅探识别技术领域，具体涉及一种基于融合特征的无线网络设备识别方法、计算机设备以及可读存储介质。
背景技术
物联网的普及给人们生活带来便利的同时也伴随着一系列的安全问题，一方面，对于个人来说，很多设备通过监听数据，分析使用者的生活习惯，就像一双“无形的眼”监视着人们的生活。另一方面，对于企业来说，一旦智能设备被攻击，可能导致企业核心机密的泄漏。因此无论是个人生活环境还是办公场景，掌握当前环境中智能设备的信息都十分有必要。
传统的无线网络设备识别方法仅能对设备类型进行识别，而对于未授权的设备并不能有效地识别。例如，基于数据包特征的方法，此方法不能有效识别设备的硬件情况；基于网口流量的特征的方法，则必须通过物理接触才能实现特征采集工作。近年来，依赖软件无线电技术提取设备的射频指纹进行设备识别的方法越来越普遍。但是这种方法存在一定的局限性，因为设备硬件易受温度影响，所以在不同的环境变化时所提取的特征将将有较大的偏移。
发明内容
为了解决上述问题，本发明提供一种无线网络设备识别方法、计算机设备以及可读存储介质，旨在提高无线网络设备识别的准确率，以便对其加强管理。
一种基于融合特征的无线网络设备识别方法，包括以下步骤：
S1、利用软件无线电设备捕获无线网络设备的无线电信号，对无线电信号进行信号滤波及低噪声放大，得到预处理后的无线电信号；
S2、将预处理后的无线电信号通过模数转换得到数据包的字节流信息，在原始字节流的基础上，根据无线网络协议要求中的字段规则分离数据包，提取数据包的有效特征并输入训练后的分类模型进行识别，得到分类模型根据数据包特征识别出的结果；
S3、对原始无线电信号经过信号变换后进行特征提取工作，在原始特征的基础上构造出新的特征即信号射频指纹并输入训练后的分类模型识别，得到分类模型根据射频指纹识别出的结果；
S4、将分类模型根据数据包特征识别出的结果和根据射频指纹识别出的结果进行融合，利用两次识别的结果识别设备类型，在已获得设备类型的基础上根据射频指纹识别具体设备固件信息，得到最终分类结果，实现设备固件识别。该步骤中，训练后的分类模型首先根据数据包特征识别设备的厂商、型号，再根据射频指纹特征识别设备是否为已授权设备，如是已授权设备则通知用户已授权设备上线，如是未授权设备则通知用户进行设备授权或处理未知设备。授权后，已授权设备的指纹特征将记录到设备库中，下一次出现时，将不会报警，而仅仅只是通知上线。
进一步的，步骤S2中，信号滤波和低噪声放大的步骤包括：去除收集的无线信号中包含的无用噪声部分，使去噪后的样本保留无线网络频段的信号，整体信号的信噪得到提高。根据无线网络信号的特点选择相应的滤波器，常用滤波器如巴特沃斯滤波器，其主要特点在于尽量保证通带内的平坦度，然后在阻带中逐渐下降，这主要适用于信号边缘比较明显的信号，可以尽可能保留有用信号中的信息；切比雪夫滤波器，其主要特点在于在通带内起伏很大呈现等纹波，但是阻带下降较快，适合于边缘不明显的滤波。本发明选择噪声系数低于2dB、增益系数大于32dB的低噪声放大器抑制噪声。无线电信号经过信号滤波及低噪声放大后，得到预处理后的无线电信号。
进一步的，步骤S2中，将预处理后的无线电信号通过模数转换得到数据包的字节流信息包括：
采样，在模数转换期间保持输入信号稳定获得信号的高低电平；采样之后保持当前电平情况；输入信号为经过步骤S1预处理后的无线电信号，采样后得到的信号为模拟信号；
量化，将模拟信号分为很多小份来组成数字量以便数字系统识别；
编码，将离散电平值编码为二进制数字，得到数据包的字节流信息。
模数转换的主要技术指标包括：分辨率，即最小数字量对应的模拟信号变化值；转换速率，即A/D转换所需时间的倒数；量化误差，即有限分辨率与无限分辨率的最大偏差；偏移误差，即输入为零但输出不为零的误差；满刻度误差，满度输入时对应的输出之间的误差。
进一步的，步骤S3中，在原始特征的基础上构造出的信号射频指纹包括基于瞬态的射频指纹和基于稳态的射频指纹，基于瞬态的射频指纹包括小波因子、时域包络、频谱等；基于稳态的射频指纹包括频偏、前导包络、星座点等。
采用信号射频指纹识别特征的优点包括：
通用性，即对于每一个无线设备都具有识别功能；
确定性，对于不同的设备能够通过指纹进行识别；
持久性，指纹能够在不随时间和环境的变化而变化；
鲁棒性，指纹在一些恶劣环境中不会受环境的影响而影响识别效果。
更进一步的，基于无线电信号提取设备射频指纹的步骤包括：
1.首先提取无线电信号的瞬态属性：提取信号的时域包络，进行希尔伯特变换。希尔伯特变换公式如下：
Figure BDA0002994528150000031
其中，
Figure BDA0002994528150000032
表示希尔伯特变换后的结果，s(t)表示实连续时间信号，
Figure BDA0002994528150000033
表示对s(t)做卷积。
2.在提取的信号瞬态属性的基础上，再提取无线电信号的的稳态属性。
进一步的，训练后的分类模型根据数据包的有效特征识别设备的厂商、型号；训练后的分类模型根据信号射频指纹特征识别设备是否为已授权设备，识别出具体设备固件信息。
进一步的，所述分类模型为三层深度神经网络模型，分类模型利用已有无线网络设备的数据包集合训练，训练过程包括：
采集大量的无线网络设备的数据包，得到无线网络设备数据包集合，从中提取数据包的特征，其中数据包特征主要提取数据包长度、是否是协调器、是否是路由器、广播半径、MAC地址厂商、发包频率。发包频率的计算步骤如下：
tinterval＝tnew-told
其中，tinterval表示当前数据包发包间隔时间，tnew表示当前数据包接收时间，told表示上一个数据包接收时间。
将设备数据包特征集合送入深度神经网络DNN，利用三层神经网络进行识别，得到识别结果；利于识别结果的误差作为损失函数，并且利用DNN的反向传播算法BP训练参数；参数训练完毕后，用softmax函数激活，得到训练好的分类模型。
更进一步的，在一种可选的实施方式中，所述分类模型为输入层为7、隐藏层为15、输出层为1的三层深度神经网络模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一上述无线网络设备识别方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～6任一项所述无线网络设备识别方法的步骤。
有益效果：
本发明的融合特征识别方法，融合了数据包特征和射频指纹特征，从软件和硬件两方面进行识别融合，可以有效地提升识别准确率降低误差。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细的说明。
图1是本发明提供的一种无线网络设备识别的总体流程图；
图2是本发明提供的一种基于数据包特征识别的流程图；
图3是本发明提供的一种基于射频指纹特征识别的流程图；
图4是本发明提供的一种设备分类器构造的模型图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供一种基于融合特征的无线网络设备识别方法，所述方法可以作为计算机程序来执行，也可作为插件在其他程序中执行。如图1所示为本发明示例性实施例的针对无线网络设备进行分类的总体流程图，在一个优选实施方式中，该方法包括但不限于以下步骤：
S1、捕获无线网络设备的无线电信号，对无线电信号进行信号滤波及低噪声放大，得到预处理后的无线电信号。
作为示例，无线电信号采集方法是利用软件无线电设备和信号处理软件，通过软件无线电获取空中的无线电信号，收集频段内的所有无线电信号。
在一种优选实施方式中，信号滤波和低噪声放大的步骤包括：去除收集的无线信号中包含的无用噪声部分，使去噪后的样本保留无线网络频段的信号，整体信号的信噪得到提高。根据无线网络信号的特点选择相应的滤波器，常用滤波器如巴特沃斯滤波器，其主要特点在于尽量保证通带内的平坦度，然后在阻带中逐渐下降，这主要适用于信号边缘比较明显的信号，可以尽可能保留有用信号中的信息；切比雪夫滤波器，其主要特点在于在通带内起伏很大呈现等纹波，但是阻带下降较快，适合于边缘不明显的滤波。本发明选择噪声系数低于2dB、增益系数大于32dB的低噪声放大器抑制噪声。无线电信号经过信号滤波及低噪声放大后，得到预处理后的无线电信号。
优选的，通过软件无线电收集的无线网络信号在信号滤波及低噪声放大之后需要进行解码处理。
S2、将预处理后的无线电信号通过模数转换得到数据包的字节流信息，在原始字节流的基础上，根据无线网络协议要求中的字段规则恢复无线网络数据包，提取数据包的有效特征。
如图2所示，步骤S2包括以下子步骤：
步骤S21，利用模数转换器将数字信号转换为模拟信号，以供后面的数据操作；
步骤S22，利用锁相环法，获取模拟信号的位同步信号。采用高稳定度的振荡器，从鉴相器所获得的与同步误差成比例的误差信号不是直接用于调整振荡器，而是通过一个控制器在信号钟输出的脉冲序列中附加或扣除一个或几个脉冲，这样同样可以调整加到减相器上的位同步脉冲序列的相位，达到同步的目的。并且移除循环前缀，保留有效数据。
步骤S23，根据离散傅里叶变换得到信号频域特征X(k)，其公式如下：
Figure BDA0002994528150000061
其中，x(n)表示离散时域信号，X(k)表示频域信号。
根据频域特性对信道进行补偿实现信道均衡。
步骤S24，根据无线网络协议字段规则，提取数据包中的有效特征。
需要提取的数据包中的特征主要包括数据包长度、是否是协调器、是否是路由器、广播半径、MAC地址厂商、发包频率。发包频率的计算步骤如下：
tinterval＝tnew-told
其中，tinterval表示当前数据包发包间隔时间，tnew表示当前数据包接收时间，told表示上一个数据包接收时间。
在一种实施方式中，将预处理后的无线电信号通过模数转换得到数据包的字节流信息包括：
采样，在模数转换期间保持输入信号稳定获得信号的高低电平；采样之后保持当前电平情况；输入信号为经过步骤S1预处理后的无线电信号，采样后得到的信号为模拟信号；
量化，将模拟信号分为很多小份来组成数字量以便数字系统识别；
编码，将离散电平值编码为二进制数字，得到数据包的字节流信息。
模数转换的主要技术指标包括：分辨率，即最小数字量对应的模拟信号变化值；转换速率，即A/D转换所需时间的倒数；量化误差，即有限分辨率与无限分辨率的最大偏差；偏移误差，即输入为零但输出不为零的误差；满刻度误差，满度输入时对应的输出之间的误差。
S3、对原始无线电信号经过信号变换后进行特征提取识别工作，在原始特征的基础上构造出新的特征即信号射频指纹。
如图3所示，步骤S3包括以下子步骤：
步骤S31，首先提取无线电信号的瞬态属性：采用希尔伯特变换提取信号的时域包络特征。
希尔伯特变换公式如下：
Figure BDA0002994528150000071
其中，
Figure BDA0002994528150000072
表示希尔伯特变换后的结果，s(t)表示实连续时间信号，
Figure BDA0002994528150000073
表示对s(t)做卷积。
利用信号瞬态识别当前设备状态的变化，如设备从关闭到开启、从休眠到唤醒。
步骤S32，在提取的信号瞬态属性的基础上，再提取信号的稳态属性——星座图。
在QAM信号的正弦信号上有两个调制变量，分别是载波幅值和载波相位，其信号表示为：
si(t)＝Acos(ωct+θi)
其中，θi是信号相位，用于保存信号状态，A是信号幅值，也可以用于保存信号状态；ωc表示正弦波角速度，t表示当前时间，A表示信号振幅，θ表示信号初始相位。
具体的，每个载波可以携带的二进制位数计算步骤为：
N＝log2(nA*nθ)
其中，N是可以携带的二进制位数，nA信号不同的幅值个数，nθ信号不同的相位个数。
具体的，已调制的带通数字信号s(t)可以用其等效低通形式sl(t)表示，等效低通信号一般是复数，即
sl(t)＝x(t)+jy(t)
其中，x(t)表示信号实部，y(t)表示信号虚部，j表示复数信号。
此时得到信号的复数形式，将信号的复数形式表示在坐标系(x轴代表信号实部，y轴代表信号虚部)，此时就得到了信号的星座图。
步骤S33，利用卷积神经网络(CNN)对步骤S32得到的星座图进行识别。
由于星座图是二维图像，利用CNN识别图像中的特征，CNN结构的核心就是卷积和池化操作，其中卷积的作用是滤波/特征提取，池化可以减少参数降低计算量。
经过多次卷积-池化操作之后得到一个一维的数组，再将这个一维数组接入全连接神经网络中。最后在全连接神经网络中使用softmax函数，得到最后的识别结果，即信号的稳态属性。
在原始特征的基础上构造出的信号射频指纹包括基于瞬态的射频指纹和基于稳态的射频指纹，基于瞬态的射频指纹包括小波因子、时域包络、频谱等；基于稳态的射频指纹包括频偏、前导包络、星座点图等。
采用信号射频指纹识别特征的优点包括：
通用性，即对于每一个无线设备都具有识别功能；
确定性，对于不同的设备能够通过指纹进行识别；
持久性，指纹能够在不随时间和环境的变化而变化；
鲁棒性，指纹在一些恶劣环境中不会受环境的影响而影响识别效果。
S4、将数据包的有效特征输入训练后的分类模型中，利用训练后的分类模型识别设备类型，在已获得设备类型的基础上根据射频指纹识别具体设备固件信息，得到最终分类结果，实现设备固件识别。
该步骤中，训练后的分类模型首先根据数据包特征识别设备的厂商、型号，再根据射频指纹特征识别设备是否为已授权设备，如是已授权设备则通知用户已授权设备上线，如是未授权设备则通知用户进行设备授权或处理未知设备。授权后，已授权设备的指纹特征将记录到设备库中，下一次出现时，将不会报警，而仅仅只是通知上线。
如图4所示，所述分类模型为包括输入层、隐藏层和输出层的三层深度神经网络模型，在一种可选的实施方式中，所述分类模型为输入层为7、隐藏层为15、输出层为1的三层深度神经网络模型。
分类模型利用已有无线网络设备的数据包集合训练，训练过程包括：
采集大量的无线网络设备的数据包，得到无线网络设备数据包集合，从中提取数据包的特征，其中数据包特征主要提取数据包长度、是否是协调器、是否是路由器、广播半径、MAC地址厂商、发包频率。发包频率的计算步骤如下：
tinterval＝tnew-told
其中，tinterval表示当前数据包发包间隔时间，tnew表示当前数据包接收时间，told表示上一个数据包接收时间。
将设备数据包特征集合送入深度神经网络DNN，利用三层神经网络进行识别，得到识别结果；利于识别结果的误差作为损失函数，并且利用DNN的反向传播算法BP训练参数；参数训练完毕后，用softmax函数激活，得到训练好的分类模型。
需要说明的是，本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本申请的具体实施方式，应当指出，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于融合特征的无线网络设备识别方法，其特征在于，包括以下步骤：
S1、利用软件无线电设备捕获无线网络设备的无线电信号，对无线电信号进行信号滤波及低噪声放大，得到预处理后的无线电信号；
S2、将预处理后的无线电信号通过模数转换得到数据包的字节流信息，在原始字节流的基础上，根据无线网络协议要求分离数据包，提取数据包的有效特征并输入训练后的分类模型识别，得到分类模型根据数据包特征识别出的结果；
S3、对原始无线电信号经过信号变换后进行特征提取工作，在原始特征的基础上构造出新的特征即信号射频指纹并输入训练后的分类模型识别，得到分类模型根据射频指纹识别出的结果；
S4、将分类模型根据数据包特征识别出的结果和根据射频指纹识别出的结果进行融合，利用两次识别的结果识别设备类型，在已获得设备类型的基础上根据射频指纹识别具体设备固件信息，得到最终分类结果，实现设备固件识别。
2.根据权利要求1所述的一种基于融合特征的无线网络设备识别方法，其特征在于，步骤S2中，信号滤波和低噪声放大的步骤包括：去除收集的无线信号中包含的无用噪声部分，使去噪后的样本保留无线网络频段的信号；根据无线网络信号特点选择相应的滤波器，选择噪声系数低于2dB、增益系数大于32dB的低噪声放大器抑制噪声，得到预处理后的无线电信号。
3.根据权利要求1所述的一种基于融合特征的无线网络设备识别方法，其特征在于，步骤S2中，将预处理后的无线电信号通过模数转换得到数据包的字节流信息包括：
采样，在模数转换期间保持输入信号稳定获得信号的高低电平；采样之后保持当前电平情况，输入信号为经过步骤S1预处理后的无线电信号，采样后得到的信号为模拟信号；
量化，将模拟信号分为很多小份来组成数字量以便数字系统识别；
编码，将离散电平值编码为二进制数字，得到数据包的字节流信息。
4.根据权利要求1所述的一种基于融合特征的无线网络设备识别方法，其特征在于，步骤S3中，在原始特征的基础上构造出的信号射频指纹包括基于瞬态的射频指纹和基于稳态的射频指纹。
5.根据权利要求1所述的一种基于融合特征的无线网络设备识别方法，其特征在于，训练后的分类模型根据数据包的有效特征识别设备的厂商、型号；训练后的分类模型根据信号射频指纹特征识别设备是否为已授权设备，识别出具体设备固件信息。
6.根据权利要求1所述的一种基于融合特征的无线网络设备识别方法，其特征在于，所述分类模型为三层深度神经网络模型，分类模型利用已有无线网络设备的数据包集合训练，训练过程包括：采集大量的无线网络设备的数据包，得到无线网络设备数据包集合，从中提取数据包的特征；将设备数据包特征集合送入深度神经网络DNN，利用三层神经网络进行识别，得到识别结果；利于识别结果的误差作为损失函数，并且利用DNN的反向传播算法BP训练参数；参数训练完毕后，用softmax函数激活，得到训练好的分类模型。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1～6任一项所述无线网络设备识别方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6任一项所述无线网络设备识别方法的步骤。
CN202110325569.5A 2021-03-26 2021-03-26 无线网络设备识别方法、计算机设备以及可读存储介质 Active CN113095378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110325569.5A CN113095378B (zh) 2021-03-26 2021-03-26 无线网络设备识别方法、计算机设备以及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110325569.5A CN113095378B (zh) 2021-03-26 2021-03-26 无线网络设备识别方法、计算机设备以及可读存储介质

Publications (2)

Publication Number Publication Date
CN113095378A CN113095378A (zh) 2021-07-09
CN113095378B true CN113095378B (zh) 2022-04-05

Family

ID=76668211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110325569.5A Active CN113095378B (zh) 2021-03-26 2021-03-26 无线网络设备识别方法、计算机设备以及可读存储介质

Country Status (1)

Country Link
CN (1) CN113095378B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678273A (zh) * 2016-01-14 2016-06-15 上海大学 射频指纹识别技术瞬态信号的起始点检测算法
CA3027586A1 (en) * 2017-12-15 2019-06-15 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Apparatus and method for cross-domain analysis of radio systems
CN111695417A (zh) * 2020-04-30 2020-09-22 中国人民解放军空军工程大学 一种信号调制样式识别方法
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
EP3789922A1 (en) * 2019-09-06 2021-03-10 Imec VZW A neural network for identifying radio technologies

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8718682B2 (en) * 2013-10-28 2014-05-06 Bandwidth.Com, Inc. Techniques for radio fingerprinting
US9148865B2 (en) * 2013-10-28 2015-09-29 Bandwidth.Com, Inc. Techniques for identification and valuation using a multi-point radio fingerprint
US9485267B2 (en) * 2014-06-02 2016-11-01 Bastille Networks, Inc. Anomalous behavior detection using radio frequency fingerprints and access credentials
CN107124381B (zh) * 2017-03-27 2020-05-22 华南理工大学 一种数字通信信号调制方式自动识别方法
US10944440B2 (en) * 2018-04-11 2021-03-09 Booz Allen Hamilton Inc. System and method of processing a radio frequency signal with a neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678273A (zh) * 2016-01-14 2016-06-15 上海大学 射频指纹识别技术瞬态信号的起始点检测算法
CA3027586A1 (en) * 2017-12-15 2019-06-15 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Apparatus and method for cross-domain analysis of radio systems
EP3789922A1 (en) * 2019-09-06 2021-03-10 Imec VZW A neural network for identifying radio technologies
CN111695417A (zh) * 2020-04-30 2020-09-22 中国人民解放军空军工程大学 一种信号调制样式识别方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A RF Fingerprint Recognition Method Based on;Lei Zong等;《2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC 2020)》;20200612;第1-5节 *
A two-factor authentication design of fingerprint recognition system based on DSP and RF card;Chao Li等;《2010 The 2nd International Conference on Computer and Automation Engineering (ICCAE)》;20210226;第1-5节 *
基于软件无线电的无线设备指纹识别;张靖志等;《太赫兹科学与电子信息学报》;20200225(第01期);第1-6节 *

Also Published As

Publication number Publication date
CN113095378A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN107305774B (zh) 语音检测方法和装置
CN108718288B (zh) 基于卷积神经网络的数字信号调制模式识别方法
CN111163460B (zh) 基于多重间隔差分星座轨迹图的射频指纹提取方法
CN105429719B (zh) 基于功率谱和多尺度小波变换分析强干扰信号检测方法
CN110690931B (zh) 一种基于多小波基联合的数字信号自适应码率估计方法和装置
CN109033780A (zh) 一种基于小波变换和神经网络的边缘计算接入认证方法
CN112269182B (zh) 目标雷达信号的确定方法和装置、存储介质、电子装置
CN110767248B (zh) 一种抗变调干扰的音频指纹提取方法
Shen et al. Chip rate and pseudo‐noise sequence estimation for direct sequence spread spectrum signals
CN109450829B (zh) 数字调制信号码速率估计方法和装置
CN113095378B (zh) 无线网络设备识别方法、计算机设备以及可读存储介质
Ying et al. Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources
CN109102818B (zh) 一种基于信号频率概率密度函数分布的去噪音频采样算法
CN118233804A (zh) 一种基于物联网智能家居的音响管理系统
Ghauri KNN based classification of digital modulated signals
CN108173792B (zh) 基于差分星座轨迹图的无线设备瞬态特征提取与识别方法
CN117849828A (zh) 一种导航卫星射频指纹特征提取及欺骗信号检测方法
Chen et al. Isolated forest-based ZigBee device identification using adaptive filter coefficients
CN113052013B (zh) 一种用于电台调制信号的射频指纹识别方法
CN105116220A (zh) 同步分离信号与噪声的信号分析装置及其分析方法
CN115460048A (zh) 一种基于码元速率的msk调制识别方法、介质及装置
CN115378776A (zh) 一种基于循环谱参数的mfsk调制识别方法
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
Guo et al. Deep Learning Based RF Fingerprint Identification using Cyclic Shift Characteristic
CN112865822A (zh) 一种用于模数混合调幅广播接收机的抗音频干扰方法

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