CN113347175B - 一种光通信设备指纹特征提取及设备身份识别方法和系统 - Google Patents
一种光通信设备指纹特征提取及设备身份识别方法和系统 Download PDFInfo
- Publication number
- CN113347175B CN113347175B CN202110602367.0A CN202110602367A CN113347175B CN 113347175 B CN113347175 B CN 113347175B CN 202110602367 A CN202110602367 A CN 202110602367A CN 113347175 B CN113347175 B CN 113347175B
- Authority
- CN
- China
- Prior art keywords
- layer
- optical communication
- fingerprint feature
- reconstruction
- equipment
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0876—Network architectures or network communication protocols for network security for authentication of entities based on the identity of the terminal or configuration, e.g. MAC address, hardware or software configuration or device fingerprint
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种光通信设备指纹特征提取及设备身份识别方法和系统,首先通过信道噪声模型进行初步的设备指纹特征提取,再通过双层高低频均匀小波分解与重构方法进一步提取设备指纹特征,最后通过神经网络模型进行深层次地特征提取与识别,从而实现对接入的光通信设备的身份识别与认证。本发明提供的方法,能够精确、有效提取出光通信系统中的设备指纹特征。相比于传统的基于密码机制的身份认证方法,本发明提供的方法在光通信物理层中提供了一种无需密码的身份认证方法,具有一定的先进性和有效性,为光通信的安全保障提供了新思路。
Description
技术领域
本发明属于光通信技术领域,更具体地,涉及一种光通信设备指纹特征提取及设备身份识别方法和系统。
背景技术
光通信系统在当前社会已有广泛应用,光通信系统中的安全性问题不可忽视。诸如物理层设备攻击、身份欺骗、通信窃听、通信拦截等各种问题发生在光通信系统中。信息安全技术、密钥安全技术、身份安全技术等技术被提出用于提高光通信系统的安全性。
受启发于生物技术领域的指纹概念,设备指纹技术被提出用于保障通信中的身份安全。设备指纹指信号经过设备时受到源于设备的独特影响。不同的设备个体具有不同的设备指纹。设备指纹隐藏在信号中,利用方法对设备指纹进行提取、识别、分类,便可识别不同的设备,设备指纹技术具有广泛的应用前景。然而,目前光通信系统中的设备指纹提取及识别方法较少,且提取精度有待提高。
由此可见,如何对设备指纹进行精确的提取是当前亟待解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种光通信设备指纹特征提取及设备身份识别方法和系统,由此解决当前设备指纹特征提取及识别方法精度不高的技术问题。
为实现上述目的,按照本发明的第一方面,提供了一种光通信设备指纹特征提取及设备身份识别方法,包括:
S102,对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵;
S103,将所述设备指纹特征矩阵输入预先训练好的神经网络模型,得到光通信设备的设备身份。
优选地,所述信道噪声模型为:
y(t)=x(t)×a(t)+b(t);
其中,a(t)为乘性噪声,b(t)为加性噪声。
优选地,所述对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵,具体为:
分别对设备指纹特征向量进行第一层高低频均匀小波分解与重构,得到第一层重构向量;
分别对第一层重构向量进行第二层高低频均匀小波分解与重构,得到第二层重构向量;
所述第一层重构向量与第二层重构向量共同组成设备指纹特征矩阵。
优选地,分解公式为:
重构公式为:
其中,f′(t)为重构向量。
优选地,所述神经网络模型是以设备指纹特征矩阵为样本,以设备身份为标签进行监督训练得到的。
优选地,所述神经网络模型为卷积神经网络模型,包括输入层、卷积层、ReLU层、池化层、全连接层、Softmax层和分类输出层。
优选地,所述卷积层包括多个大小为3×3的卷积核。
按照本发明的第一方面,提供了一种光通信设备指纹特征提取及设备身份识别系统,包括:
对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵;
设备身份识别模块,用于将所述特征矩阵输入预先训练好的神经网络模型,得到光通信设备的设备标签。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提供的方法,将设备指纹视为一种噪声,首先通过信道噪声模型进行初步的设备指纹特征提取,再通过双层高低频均匀小波分解与重构方法进一步提取设备指纹特征,能够精确、有效提取出光通信系统中的设备指纹特征,使得设备指纹特征更易于被神经网络识别分类,实现对接入的光通信设备的身份进行识别与认证。
(2)相比于传统的基于密码机制的身份认证方法,本发明在光通信物理层中提供了一种无需密码的身份认证方法,具有一定的先进性和有效性,为光通信的安全保障提供了新思路。
(3)本发明采用的神经网络模型为卷积神经网络模型,既能高度提取特征,以提高最终的分类识别准确率,又能节省计算开销。
附图说明
图1是本发明提供的光通信设备指纹特征提取及设备身份识别方法流程示意图之一;
图2是本发明提供的小波分解与重构示意图;
图3是本发明提供的光通信设备指纹特征提取及设备身份识别方法流程示意图之二;
图4是本发明提供的光通信设备指纹特征提取及设备身份识别方法流程示意图之三。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供一种光通信设备指纹特征提取及设备身份识别方法,如图1所示,包括:
进一步地,所述信道噪声模型为:
y(t)=x(t)×a(t)+b(t);
其中,a(t)为乘性噪声,b(t)为加性噪声。
具体地,对光通信设备接收端接收到的信号y(t)进行重构,得到发送端发送的信号x(t);例如,对于OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用)信号,可利用贪婪搜索或最优化的方法完成原始信号重构。
将设备指纹视为一种噪声,运用信道噪声模型中的调制信道噪声公式对硬件指纹特征进行初步提取。将接收到的信号作为y(t),将得到的发射端发射的未经过信道噪声影响的原始理想信号作为x(t),通过信道噪声公式建立y(t)与x(t)之间的关系,a(t)为乘性噪声,b(t)为加性噪声。依据信道噪声模型公式的变形y(t)-x(t)=[a(t)-1]×x(t)+b(t)对接收数据y(t)与理想数据x(t)进行处理,得到特征向量
S102,对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵。
进一步地,所述对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵,具体为:
分别对设备指纹特征向量进行第一层高低频均匀小波分解与重构,得到第一层重构向量;
分别对第一层重构向量进行第二层高低频均匀小波分解与重构,得到第二层重构向量;
所述第一层重构向量与第二层重构向量共同组成设备指纹特征矩阵。
进一步地,分解公式为:
重构公式为:
其中,f′(t)为重构向量。
以对进行小波分解与重构为例,如图2所示,首先,利用分解公式进行分解,其中f(t)即为为小波母函数的共轭函数,WH为高频部分小波系数与WL为低频部分小波系数;在完成第一层分解得到高频部分小波系数WH和低频部分小波系数WL后,分别根据WH和WL,利用重构公式对信号进行重构,分别得到重构向量f′H(t)和f′L(t)。
其次,再根据分解公式分别对重构向量f′H(t)和f′L(t)进行第二层分解,由f′H(t)得到小波系数WHH、WHL,由f′L(t)得到小波系数WLH、WLL;分别根据WHH、WHL、WLH、WLL,利用重构公式对信号进行重构,得到重构向量f′HH(t),f′HL(t),f′LH(t),f′LL(t)。将分别基于小波系数WH、WL、WHH、WHL、WLH、WLL及重构公式得到的重构向量进行组合,即得到特征矩阵[f′H(t),f′HH(t),f′HL(t),f′L(t),f′LH(t),f′LL(t)],记为[f1(t),…,f6(t)]。
类似地,使用相同的两层高低频均匀小波分解与重构方法提取特征向量y(t)-x(t)的特征矩阵,可得特征矩阵[f7(t),…,f12(t)]。于是,由信道噪声模型处理后得到的设备指纹特征向量分解重构可得到设备指纹特征矩阵[f1(t),f2(t),…,f11(t),f12(t)]。
S103,将所述特征矩阵输入预先训练好的神经网络模型,得到光通信设备的设备身份。
进一步地,所述神经网络模型是以设备指纹特征矩阵为样本,以设备身份为标签进行监督训练得到的。
具体地,以设备指纹特征矩阵为样本,当采集到的样本数达到预设的数量后,即可对样本数据按照80%、20%的比例分别划分为训练集和验证集,并依据数据的来源完成与样本数据对应的设备身份标签标记。
进一步地,所述神经网络模型为卷积神经网络模型,包括输入层、卷积层、ReLU层、池化层、全连接层、Softmax层和分类输出层。
进一步地,所述卷积层包括多个大小为3×3的卷积核。
具体地,所述神经网络模型为卷积神经网络模型,包括一层输入层,一层具有16个大小为3×3的卷积核的卷积层,一层ReLU层,一层池化层,一层全连接层,一层Softmax层和一层分类输出层,采用该卷积神经网络模型进行深层次的特征学习和完成特征分类的工作。
在卷积神经网络模型训练阶段,利用训练集数据对结构设置好的卷积神经网络训练。在完成卷积神经网络模型训练后可进入接入设备身份实时识别阶段,将实时获取到的光通信设备的设备指纹特征矩阵[f1(t),f2(t),f3(t),…,f10(t),f11(t),f12(t)]输入训练好的卷积神经网络模型中,由所述卷积神经网络模型输出所述光通信设备的识别结果,所述识别结果即为设备身份数据,从而实现对设备指纹的识别分类。
优选地,如图3所示,本发明提供的方法包括以下步骤:
(1)在一个光通信系统中,用户端发射信号,在接收端进行数据采集,对接收数据y(t)通过解调等步骤对其重构恢复得到发射端发送的未经过信道噪声影响的理想信号x(t);
(3)对设备指纹特征向量进行两层高低频均匀小波分解与重构:第一层分解得到高频部分小波系数和低频部分小波系数,将第一层分解得到的小波系数重构得到重构向量;再对重构信号进行第二层分解,得到第二层分解得到的小波系数。综合第一层分解和第二层分解获得的小波系数并重构,得到特征矩阵[f1(t),f2(t),f3(t),…,f10(t),f11(t),f12(t)];
(4)当S203得到的设备指纹特征矩阵数量达到预设数量后,将特征矩阵中的80%与20%依次划分为训练集和验证集,并对上述样本数据标记好所属设备的设备身份标签,对卷积神经网络模型进行训练;
(5)判断卷积神经网络模型是否已经完成训练,若是,则进入设备身份识别模式,使用训练好的神经网络对实时采集到的设备指纹特征矩阵进行识别,神经网络会输出与该设备指纹特征矩阵对应的设备身份,从而实现对设备指纹的识别;若否,则进入指纹录入模式,利用步骤(4)中的训练集数据对神经网络进行训练,神经网络为预先已设置好的包含若干层的卷积神经网络。
下面以一个具体的例子对本发明提供的方法进行进一步说明。如图4所示,以四个光纤通信用户设备为例,光通信系统为一个多点到点的无源光网络系统,四个用户在进行上行方向上的数据传输时,用户端(即发送端)发送的数据以时分复用的方式在共享光纤信道中传输,由接收端进行接收。该实施例的信号产生的具体过程如下:在用户端由型号为BERTWave E410A的误码仪产生速率为10G的PRBS15信号作为OOK信号。OOK信号经过4个不同的光模块进行电光转换。经过电光转换后的光信号在25公里的G652D光纤中进行传输。最后,光信号通过10G的光电探测器PD,并由型号为Tektronix DSA 72504D的数字存储示波器以100GSa/s的速率采样接收,后续的信号特征提取阶段均在DSP中完成。
接收端收到的时分复用混合信号按照用户传输信号的时隙进行信号分割,分割成不同的用户部分。此时得到的信号即为接收到的信号y(t),对此信号解调重构恢复,得到发射端发射的未经过信道噪声影响的原始理想信号x(t);根据信道噪声模型对y(t)与x(t)进行处理,得到设备指纹特征向量对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵;将所述特征矩阵输入预先训练好的神经网络模型,得到光通信设备的设备身份。
下面对本发明提供的光通信设备指纹特征提取及设备身份识别系统进行描述,下文描述的光通信设备指纹特征提取及设备身份识别系统与上文描述的光通信设备指纹特征提取及设备身份识别方法可相互对应参照。
本发明实施例提供一种光通信设备指纹特征提取及设备身份识别系统,包括:
对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵;
设备身份识别模块,用于将所述特征矩阵输入预先训练好的神经网络模型,得到光通信设备的设备标签。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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 (7)
2.如权利要求1所述的光通信设备指纹特征提取及设备身份识别方法,其特征在于,所述对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构,获得设备指纹特征矩阵,具体为:
分别对设备指纹特征向量进行第一层高低频均匀小波分解与重构,得到第一层重构向量;
分别对第一层重构向量进行第二层高低频均匀小波分解与重构,得到第二层重构向量;
所述第一层重构向量与第二层重构向量共同组成设备指纹特征矩阵。
4.如权利要求1所述的光通信设备指纹特征提取及设备身份识别方法,其特征在于,所述神经网络模型是以设备指纹特征矩阵为样本,以设备身份为标签进行监督训练得到的。
5.如权利要求1或4所述的光通信设备指纹特征提取及设备身份识别方法,其特征在于,所述神经网络模型为卷积神经网络模型,包括输入层、卷积层、ReLU层、池化层、全连接层、Softmax层和分类输出层。
6.如权利要求5所述的光通信设备指纹特征提取及设备身份识别方法,其特征在于,所述卷积层包括多个大小为3×3的卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602367.0A CN113347175B (zh) | 2021-05-31 | 2021-05-31 | 一种光通信设备指纹特征提取及设备身份识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602367.0A CN113347175B (zh) | 2021-05-31 | 2021-05-31 | 一种光通信设备指纹特征提取及设备身份识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347175A CN113347175A (zh) | 2021-09-03 |
CN113347175B true CN113347175B (zh) | 2022-09-27 |
Family
ID=77473261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110602367.0A Active CN113347175B (zh) | 2021-05-31 | 2021-05-31 | 一种光通信设备指纹特征提取及设备身份识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347175B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938206B (zh) * | 2021-09-30 | 2023-04-07 | 华中科技大学 | 一种适用于iq调制器的偏压控制方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472584A (zh) * | 2019-08-16 | 2019-11-19 | 四川九洲电器集团有限责任公司 | 一种通信设备身份识别方法、电子设备及计算机程序产品 |
CN111160424A (zh) * | 2019-12-16 | 2020-05-15 | 南方电网科学研究院有限责任公司 | 一种基于cnn图像识别的nfc设备指纹认证方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10469486B2 (en) * | 2016-04-08 | 2019-11-05 | University Of Maryland | Method and apparatus for authenticating device and for sending/receiving encrypted information |
-
2021
- 2021-05-31 CN CN202110602367.0A patent/CN113347175B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472584A (zh) * | 2019-08-16 | 2019-11-19 | 四川九洲电器集团有限责任公司 | 一种通信设备身份识别方法、电子设备及计算机程序产品 |
CN111160424A (zh) * | 2019-12-16 | 2020-05-15 | 南方电网科学研究院有限责任公司 | 一种基于cnn图像识别的nfc设备指纹认证方法及系统 |
Non-Patent Citations (1)
Title |
---|
"Enhancing the Physical Layer Security of OFDM-PONs With Hardware Fingerprint Authentication: A Machine Learning Approach";Shanshan Li等;《JOURNAL OF LIGHTWAVE TECHNOLOGY》;20200615;第38卷(第12期);第II部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN113347175A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN115146670A (zh) | 基于数据增强和对比学习的射频指纹识别方法及系统 | |
CN113347175B (zh) | 一种光通信设备指纹特征提取及设备身份识别方法和系统 | |
CN114024808A (zh) | 基于深度学习的调制信号识别方法及系统 | |
CN113887502A (zh) | 一种通信辐射源时频特征提取与个体识别方法及系统 | |
CN116564339A (zh) | 基于联邦学习的安全高效车机语音识别方法及系统 | |
CN114710310B (zh) | 基于网络流量频域指纹的Tor用户访问网站识别方法及系统 | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN117729540A (zh) | 一种基于统一边缘计算框架的感知设备云边安全管控方法 | |
CN112383488B (zh) | 一种适用于加密与非加密数据流的内容识别方法 | |
Hao et al. | Contrastive self-supervised clustering for specific emitter identification | |
Wang et al. | Study on feature extraction method in border monitoring system using optimum wavelet packet decomposition | |
Shen et al. | Exploration of transferable deep learning-aided radio frequency fingerprint identification systems | |
CN113343802B (zh) | 一种基于多小波的射频指纹图域识别方法 | |
Qu et al. | Specific Emitter Identification Based on Two Residual Networks | |
Li et al. | Adaptive filter-based approach for phy fingerprints extraction of fast ethernet network | |
Shi et al. | A radio frequency fingerprint identification method for wireless devices based on ShuffleNet-SVM | |
CN113365273A (zh) | 一种基于信道状态信息的包级别无线设备认证方法 | |
Zhang et al. | Real-world aircraft recognition based on RF fingerprinting with few Labeled ADS-B signals | |
Cheng et al. | Radio frequency emitter identification based on ensemble learning | |
Wu et al. | An Open Set Specific Emitter Identification Method Using Deep Feature Embedded Discriminator | |
Wang et al. | Multiple transformation analysis for interference separation in TDCS | |
CN111404852A (zh) | 基于振幅和频谱幅度特征的调制方式识别方法 | |
Chen et al. | Cross-Device Radio Frequency Fingerprinting Identification Based On Domain Adaptation | |
Wang et al. | Radio frequency fingerprint authentication based on feature fusion and contrastive learning |
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 |