CN113343874A - 基于深度卷积神经网络的大规模无线电信号识别方法 - Google Patents
基于深度卷积神经网络的大规模无线电信号识别方法 Download PDFInfo
- Publication number
- CN113343874A CN113343874A CN202110677691.9A CN202110677691A CN113343874A CN 113343874 A CN113343874 A CN 113343874A CN 202110677691 A CN202110677691 A CN 202110677691A CN 113343874 A CN113343874 A CN 113343874A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- radio frequency
- deep convolutional
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010367 cloning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于深度卷积神经网络的大规模无线电信号识别方法，包括步骤：S1：通过接收机对通信辐射源个体的射频基带信号进行采集，获得I/Q基带信号；S2：截取I/Q基带信号的稳态信号片段作为通信辐射源个体的射频指纹；S3：将射频指纹按照4:1的比例分为一训练样本和一测试样本；S4：建立一深度卷积神经网络并利用训练样本和测试样本对深度卷积神经网络进行训练；S5：利用训练后的深度卷积神经网络对射频指纹进行识别。本发明的一种基于深度卷积神经网络的大规模无线电信号识别方法，可阻止设备克隆、重放攻击和用户身份假冒等问题的发生，准确地识别和认证物联对象，并可提高识别准确率和可靠性。
Description
技术领域
本发明涉及射频指纹提取与识别领域，尤其涉及一种基于深度卷积神经网络的大规模无线电信号识别方法。
背景技术
信息安全是构建可靠、稳健的物联网的关键。由于无线电传输的开放性，无线通信网络带来的信息安全问题不断涌现，尤其是用户身份假冒、重放攻击和设备克隆等问题。可信的识别认证对于保障物联网设备信息安全至关重要。每个物联网设备都应具有自己的身份以形成一个可信的物联生态网络系统。为阻止设备克隆、重放攻击和用户身份假冒等问题的发生，如何准确地识别和认证物联对象是物联网面临的首要问题，也是物联网应用的基础。
传统的认证机制在应用层利用密码算法生成第三方难以仿冒的数值结果来实现，但这种应用层认证机制通常存在密钥泄露和协议安全漏洞等风险。现今，物联网感知层的终端设备具有智能化、多样化、复杂化等特点，传统的认证机制可以在一定程度上已难以满足物联网的信息安全需求。物理层认证是保障无线通信安全的核心技术之一，相比于应用层认证机制，它能够有效抵御模仿攻击，具有兼容性好，复杂度低，认证速度快，不需要考虑各种协议执行的特点，其基本原理是联合传输信号与收发信道的空时特异性，对通信双方的物理特性进行认证，从而在物理层实现身份认证与识别。目前丰富的物理层资源还未得到充分利用，对物理层认证方法的研究尚处于初级阶段，仍有较大的研究空间。
射频指纹识别是基于设备物理层硬件的非密码认证方法，无需消耗额外的计算资源，也无需嵌入额外的硬件，是构建低成本、更简洁、更安全的识别认证系统的非常有潜力的技术。基于射频信号细微特征的设备识别，最早起源于特定辐射源识别(SpecificEmitter Identification，SEI)，即将辐射源独特的电磁特性与辐射源个体关联起来的能力。
现有的射频指纹识别技术根据利用物理层资源的不同，可分为基于信道的指纹识别技术和基于传输信号的指纹识别技术。基于信道特征的指纹识别技术旨在利用设备的唯一位置信息来作为不同用户在不同场景下的身份检测指标，通常应用于物联网设备的室内定位。基于传输信号的射频指纹识别技术可以分为基于瞬态信号和基于稳态信号的射频指纹识别技术。瞬态信号不包含任何数据信息，只体现发射机的硬件特征，具有独立性，射频指纹最初就是从瞬态信号中提取的。但由于瞬态信号的持续时间较短，对突变点检测与定位较为敏感，难以捕获，限制了其在实际环境中的应用。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，通过廉价的接收机即可完成，但稳态信号中存在的射频指纹不容易提取。随着射频指纹识别技术的发展，学者们逐渐从利用瞬态信号到利用稳态信号的前导序列，再到利用稳态信号的传输数据段，逐步减少了对待识别信号检测和提取的要求。此外，基于特征提取方法的不同，基于传输信号的射频指纹识别技术还可以分为基于波形域]和基于调制域的射频指纹识别方法。现今，在通信信号中正交调制获得了广泛应用，调制域方法通过调制方案强制赋予的信号结构，以I/Q基带信号为处理单元，令发射机的特定物理属性更加容易识别，其调制域特征包括I/Q偏移、调制偏移、载频偏移、星座轨迹图、差分星座轨迹图、差分等势星球图等特征。在识别认证阶段，根据分类器的不同，可分为基于传统机器学习的指纹识别技术和基于深度学习的指纹识别技术。
由于无线通信网络的开放性，其带来的信息安全问题不断涌现，尤其是用户身份假冒、重放攻击和设备克隆等问题，这使得对无线电信号有效识别的需求日益凸显。从目前射频指纹识别的研究现状来看，提取具有独特原生属性的射频指纹仍然是一件极具挑战性的任务，提取的射频指纹仍然受大量因素的制约，在射频指纹产生机理、特征提取和特征选择方面，以及在射频指纹的鲁棒性和抗信道环境干扰等方面，还有大量问题有待研究。深度学习方法给射频指纹识别提供了新的思路和技术。在基于深度学习的通信框架下，如何设计适用于无线通信的深度学习模型也是研究者要面对的重要问题。
发明内容
针对上述现有技术中的不足，本发明提供一种基于深度卷积神经网络的大规模无线电信号识别方法，可阻止设备克隆、重放攻击和用户身份假冒等问题的发生，准确地识别和认证物联对象，并可提高识别准确率和可靠性。
为了实现上述目的，本发明提供一种基于深度卷积神经网络的大规模无线电信号识别方法，包括步骤：
S1：通过接收机对通信辐射源个体的射频基带信号进行采集，获得I/Q基带信号；
S2：截取所述I/Q基带信号的稳态信号片段作为所述通信辐射源个体的射频指纹；
S3：将所述射频指纹按照4:1的比例分为一训练样本和一测试样本；
S4：建立一深度卷积神经网络并利用所述训练样本和所述测试样本对所述深度卷积神经网络进行训练；
S5：利用训练后的所述深度卷积神经网络对所述射频指纹进行识别。
优选地，当所述接收机的采样率为50MH时，截取的所述I/Q基带信号的稳态信号片段的长度为3000数据点。
优选地，所述深度卷积神经网络包括依次连接的一输入层、一第一卷积层、一第一批标准化层、一最大池化层、一丢弃层、一第二卷基层、一第二批标准化层、一平均池化层、一压平层和一输出层。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明提供一种基于深度卷积神经网络的大规模无线电信号识别方法，可阻止设备克隆、重放攻击和用户身份假冒等问题的发生，准确地识别和认证物联对象，并可提高识别准确率和可靠性。
附图说明
图1为本发明实施例的基于深度卷积神经网络的大规模无线电信号识别方法的流程图。
具体实施方式
下面根据附图图1，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1，本发明实施例的一种基于深度卷积神经网络的大规模无线电信号识别方法，包括步骤：
S1：通过接收机对通信辐射源个体的射频基带信号进行采集，获得I/Q基带信号；
S2：截取I/Q基带信号的稳态信号片段作为通信辐射源个体的射频指纹；
S3：将射频指纹按照4:1的比例分为一训练样本和一测试样本；
S4：建立一深度卷积神经网络并利用训练样本和测试样本对深度卷积神经网络进行训练；
S5：利用训练后的深度卷积神经网络对射频指纹进行识别。
当接收机的采样率为50MH时，截取的I/Q基带信号的稳态信号片段的长度为3000数据点。
深度卷积神经网络包括依次连接的一输入层、一第一卷积层、一第一批标准化层、一最大池化层、一丢弃层、一第二卷基层、一第二批标准化层、一平均池化层、一压平层和一输出层。
例如，以识别198架民航客机为例，过程如下：
基带信号采集设备：Signal Hound公司生产的SM200B实时频谱分析仪。
采集环境：室外。
采集198架民航客机的ADS-B数据，每架民航客机的ADS-B设备采集200个样本左右；I/Q基带信号ADC采样率为50MHz，采样中心频率为1090MHz，采样带宽为10MHz，标注类型为ICAO码。其中，训练样本与测试样本的数量比例为4：1。
为了说明本发明所提出方法的有效性，与基于功率谱密度特征提取与灰关联分类器的识别方法的识别效果进行对比，最终得到基于本发明所提出方法的识别成功率为98.819％，而基于功率谱密度特征提取与支持向量机分类器的识别方法的识别成功率仅为68.24％，论证了本发明所提出的方法的有效性与可靠性。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (3)
1.一种基于深度卷积神经网络的大规模无线电信号识别方法，包括步骤：
S1：通过接收机对通信辐射源个体的射频基带信号进行采集，获得I/Q基带信号；
S2：截取所述I/Q基带信号的稳态信号片段作为所述通信辐射源个体的射频指纹；
S3：将所述射频指纹按照4:1的比例分为一训练样本和一测试样本；
S4：建立一深度卷积神经网络并利用所述训练样本和所述测试样本对所述深度卷积神经网络进行训练；
S5：利用训练后的所述深度卷积神经网络对所述射频指纹进行识别。
2.根据权利要求1所述的基于深度卷积神经网络的大规模无线电信号识别方法，其特征在于，当所述接收机的采样率为50MH时，截取的所述I/Q基带信号的稳态信号片段的长度为3000数据点。
3.根据权利要求1所述的基于深度卷积神经网络的大规模无线电信号识别方法，其特征在于，所述深度卷积神经网络包括依次连接的一输入层、一第一卷积层、一第一批标准化层、一最大池化层、一丢弃层、一第二卷基层、一第二批标准化层、一平均池化层、一压平层和一输出层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110677691.9A CN113343874A (zh) | 2021-06-18 | 2021-06-18 | 基于深度卷积神经网络的大规模无线电信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110677691.9A CN113343874A (zh) | 2021-06-18 | 2021-06-18 | 基于深度卷积神经网络的大规模无线电信号识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343874A true CN113343874A (zh) | 2021-09-03 |
Family
ID=77476536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110677691.9A Pending CN113343874A (zh) | 2021-06-18 | 2021-06-18 | 基于深度卷积神经网络的大规模无线电信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343874A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896887A (zh) * | 2022-05-20 | 2022-08-12 | 电子科技大学 | 一种基于深度学习的用频设备射频指纹识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109921886A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种鲁棒的低功耗设备射频指纹识别方法 |
| CN112312457A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
| CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
-
2021
- 2021-06-18 CN CN202110677691.9A patent/CN113343874A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109921886A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种鲁棒的低功耗设备射频指纹识别方法 |
| CN112312457A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
| CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| JAMES STANKOWICZ ET.AL: "COMPLEX NEURAL NETWORKS FOR RADIO FREQUENCY FINGERPRINTING", 《IEEE》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896887A (zh) * | 2022-05-20 | 2022-08-12 | 电子科技大学 | 一种基于深度学习的用频设备射频指纹识别方法 |
| CN114896887B (zh) * | 2022-05-20 | 2023-04-25 | 电子科技大学 | 一种基于深度学习的用频设备射频指纹识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | Deep learning based RF fingerprint identification using differential constellation trace figure | |
| CN112312457B (zh) | 一种基于复数深度残差网络的通信辐射源个体识别方法 | |
| CN112398553A (zh) | 一种基于差分等势星球图的通信辐射源个体识别方法 | |
| CN106446877B (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 | |
| Shi et al. | Particle swarm optimization-based deep neural network for digital modulation recognition | |
| CN110166387A (zh) | 一种基于卷积神经网络识别信号调制方式的方法及系统 | |
| CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
| CN111163460B (zh) | 基于多重间隔差分星座轨迹图的射频指纹提取方法 | |
| Wang et al. | A convolutional neural network-based RF fingerprinting identification scheme for mobile phones | |
| 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 | |
| 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 | |
| Ren et al. | A practical study of channel influence on radio frequency fingerprint features | |
| CN113343874A (zh) | 基于深度卷积神经网络的大规模无线电信号识别方法 | |
| CN114760627A (zh) | 一种基于射频指纹与深度学习的无线设备识别方法 | |
| Gul et al. | Fine-grained augmentation for RF fingerprinting under impaired channels | |
| Shi et al. | Robust RF fingerprint extraction based on cyclic shift characteristic | |
| Ying et al. | Differential complex-valued convolutional neural network-based individual recognition of communication radiation sources | |
| Zhang et al. | Data augmentation aided few-shot learning for specific emitter identification | |
| Zhang et al. | A real-world radio frequency signal dataset based on LTE system and variable channels | |
| Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
| 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 | |
| Hu et al. | Machine learning for RF fingerprinting extraction and identification of soft-defined radio devices | |
| CN109587136B (zh) | 一种基于双极大值的射频指纹特征提取和识别方法 | |
| CN112633121A (zh) | 基于希尔伯特变换与多重分形维数特征的辐射源识别方法 | |
| Wang et al. | Research on physical layer security of cognitive radio network based on rf-dna |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |