CN113347637B - 基于嵌入式的无线设备rf指纹识别方法及装置 - Google Patents
基于嵌入式的无线设备rf指纹识别方法及装置 Download PDFInfo
- Publication number
- CN113347637B CN113347637B CN202110419084.2A CN202110419084A CN113347637B CN 113347637 B CN113347637 B CN 113347637B CN 202110419084 A CN202110419084 A CN 202110419084A CN 113347637 B CN113347637 B CN 113347637B
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- fingerprint identification
- board
- wireless
- embedded
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/40—Security arrangements using identity modules
- H04W12/47—Security arrangements using identity modules using near field communication [NFC] or radio frequency identification [RFID] modules
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/60—Context-dependent security
- H04W12/69—Identity-dependent
- H04W12/71—Hardware identity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于嵌入式的无线设备RF指纹识别方法及装置,其中方法包括:根据控制指令获取每个无线设备对应的射频信号,并对射频信号进行预处理,以得到每个无线设备对应的基带信号,以及将基带信号转换成数据帧进行传输;对数据帧进行正交信号包络提取和起点检测,以得到每个无线设备对应的训练数据包;对每个无线设备对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以对待识别无线设备进行识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种基于嵌入式的无线设备RF指纹识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于嵌入式的无线设备RF指纹识别装置。
背景技术
相关技术中,由于无线设备指纹识别的识别终端需要强大的运行环境,所以现有的指纹识别系统要么需要连接企业级服务器要么需要在特定的场所下布置,比如身份证识别系统以及高速公路收费系统,尚且存在不易移动、大型化的特点,从而导致许多无线设备识别成本高、算力要求高且不具有可移动性和实时性的缺点。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种基于嵌入式的无线设备RF指纹识别方法,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种基于嵌入式的无线设备RF指纹识别装置。
为达到上述目的,本发明第一方面实施例提出了一种基于嵌入式的无线设备RF指纹识别方法,所述方法采用的基于嵌入式的无线设备RF指纹识别装置包括嵌入式设备、开源软件无线电平台、通用软件无线电平台、多个无线射频收发子板和指纹识别模块,所述通用软件无线电平台通过串口总线与所述嵌入式设备相连接,所述多个无线射频收发子板置于所述通用软件无线电平台的有效环境下,所述方法包括以下步骤:当所述通用软件无线电平台接收到所述开源软件无线电平台发送的控制命令后,通过天线接收所述多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将所述每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;所述开源软件无线电平台接收到所述每个无线射频收发子板对应的数据帧后,对所述每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;所述指纹识别模块对所述每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;获取待识别无线设备的射频信号,并将所述待识别无线设备的射频信号输入到所述训练好的指纹识别模型,以通过所述训练好的指纹识别模型对所述待识别无线设备的射频信号进行识别。
根据本发明实施例的基于嵌入式的无线设备RF指纹识别方法,首先,当通用软件无线电平台接收到开源软件无线电平台发送的控制命令后,通过天线接收多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;接着,开源软件无线电平台接收到每个无线射频收发子板对应的数据帧后,对每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;然后,指纹识别模块对每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;最后,获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以通过训练好的指纹识别模型对待识别无线设备的射频信号进行识别;由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
另外,根据本发明上述实施例提出的基于嵌入式识别平台的无线设备指纹识别方法还可以具有如下附加的技术特征:
可选地,对每个无线射频收发子板发送的射频信号进行预处理,包括:根据采样参数对每个无线射频收发子板发送的射频信号进行高斯键控调制信号解调和带通采样,同时采用FPGA母板和模数转换器进行数字下变频和模数转换,以及采用滤波器和混频器进行滤波处理,以将所述每个无线射频收发子板发送的射频信号转换成中频信号,进而将所述中频信号转换成基带信号。
可选地,所述嵌入式设备配置有Linux系统,以便为所述嵌入式识别平台提供硬件驱动和程序运行的操作系统。
可选地,将信号幅频特性作为特征对所述每个无线射频收发子板对应的训练数据包进行分类标注以标识不同的无线设备。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有基于嵌入式的无线设备RF指纹识别程序,该基于嵌入式的无线设备RF指纹识别程序被处理器执行时实现如上述的基于嵌入式的无线设备RF指纹识别方法。
根据本发明实施例的计算机可读存储介质,通过存储基于嵌入式的无线设备RF指纹识别程序,以使得处理器在执行该基于嵌入式的无线设备RF指纹识别程序时,实现如上述的基于嵌入式的无线设备RF指纹识别方法,由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述的基于嵌入式的无线设备RF指纹识别方法。
根据本发明实施例的计算机设备,通过存储器对基于嵌入式的无线设备RF指纹识别程序进行存储,以使得处理器在执行该基于嵌入式的无线设备RF指纹识别程序时,实现如上述的基于嵌入式的无线设备RF指纹识别方法,由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
为达到上述目的,本发明第四方面实施例提出了一种基于嵌入式的无线设备RF指纹识别装置,包括嵌入式设备、开源软件无线电平台、通用软件无线电平台、多个无线射频收发子板和指纹识别模块,所述通用软件无线电平台通过串口总线与所述嵌入式设备相连接,所述多个无线射频收发子板置于所述通用软件无线电平台的有效环境下,当所述通用软件无线电平台接收到所述开源软件无线电平台发送的控制命令后,通过天线接收所述多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将所述每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;所述开源软件无线电平台接收到所述每个无线射频收发子板对应的数据帧后,对所述每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;所述指纹识别模块对所述每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;获取待识别无线设备的射频信号,并将所述待识别无线设备的射频信号输入到所述训练好的指纹识别模型,以通过所述训练好的指纹识别模型对所述待识别无线设备的射频信号进行识别。
根据本发明实施例的基于嵌入式的无线设备RF指纹识别装置,当通用软件无线电平台接收到开源软件无线电平台发送的控制命令后,通过天线接收多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;接着通过开源软件无线电平台接收到每个无线射频收发子板对应的数据帧后,对每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;然后通过指纹识别模块对每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;最后获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以通过训练好的指纹识别模型对待识别无线设备的射频信号进行识别;由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
另外,根据本发明上述实施例提出的基于嵌入式识别平台的无线设备指纹识别装置还可以具有如下附加的技术特征:
可选地,所述通用软件无线电平台根据采样参数对每个无线射频收发子板发送的射频信号进行高斯键控调制信号解调和带通采样,同时采用FPGA母板和模数转换器进行数字下变频和模数转换,以及采用滤波器和混频器进行滤波处理,以将所述每个无线射频收发子板发送的射频信号转换成中频信号,进而将所述中频信号转换成基带信号。
可选地,所述嵌入式设备配置有Linux系统,以便为所述嵌入式识别平台提供硬件驱动和程序运行的操作系统。
可选地,所述指纹识别模块将信号幅频特性作为特征对所述每个无线射频收发子板对应的训练数据包进行分类标注以标识不同的无线设备。
附图说明
图1为根据本发明实施例的基于嵌入式的无线设备RF指纹识别方法的流程示意图;
图2为根据本发明实施例的基于嵌入式的无线设备RF指纹识别装置的总体框图;
图3为根据本发明实施例的基于嵌入式的无线设备RF指纹识别装置的实时信号采集过程示意图;
图4为根据本发明实施例的指纹识别模块的工作框图;
图5为根据本发明实施例的嵌入式设备运行过程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的基于嵌入式的无线设备RF指纹识别方法的流程示意图,如图1所示,该基于嵌入式的无线设备RF指纹识别方法包括以下步骤:
S101,当通用软件无线电平台接收到开源软件无线电平台发送的控制命令后,通过天线接收多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输。
需要说明的是,通用软件无线电平台通过串口总线与嵌入式设备相连接,多个无线射频收发子板置于通用软件无线电平台的有效环境下;在进行无线设备RF指纹识别前,先在嵌入式设备上配置好相应的Linux系统,以便为嵌入式识别平台提供硬件驱动和程序运行的操作系统,部署好相应的通用软件无线电平台的硬件驱动和开源软件无线电平台环境,同时在指纹识别模块上运用嵌入式设备强大的人工智能处理能力、硬件端的高速CPU对识别算法中深度神经网络进行高效运算。
也就是说,嵌入式设备主要是提供必要的操作系统环境,,包括提供实时信号采集和处理环境和指纹识别运行环境,嵌入式设备的中央处理器核心采用Tegra架构,内置通用并行计算架构开发链和高性能深度学习应用,满足人工智能开发的运行环境,高速人工智能开发引擎TensorRT将提高深度神经网络的模型训练和部署,最终达到将先进的人工智能技术部署到与无线设备安全的场景中。
作为一个示例,上述嵌入式设备可为Jetson TX2,其中通用软件无线电平台通过串口总线端和Jetson TX2进行数据交互。
作为一个具体实施例,对每个无线射频收发子板发送的射频信号进行预处理,包括:根据采样参数对每个无线射频收发子板发送的射频信号进行高斯键控调制信号解调和带通采样,同时采用FPGA母板和模数转换器进行数字下变频和模数转换,以及采用滤波器和混频器进行滤波处理,以将每个无线射频收发子板发送的射频信号转换成中频信号,进而将中频信号转换成基带信号。
需要说明的是,Jetson TX2通过运行通用软件无线电平台激活软件以激活通用软件无线电平台的硬件驱动,并把采样频率、采样带宽、信号增益、信号阈值、缓存空间大小等相应参数导入开源软件无线电平台,以便开源软件无线电平台根据该参数发送控制命令给通用软件无线电平台进行信号采集。
另外,通用软件无线电平台硬件适配程序是创造通用软件无线电平台USRP和操作系统界面之间通讯的程序,其为在嵌入式设备主机上开辟出为通用软件无线电平台USRP存储数据的数据流模块和硬件抽象层模块,让通用软件无线电平台USRP可以接收到开源软件无线电平台传输的控制命令和传输给嵌入式设备主机的数据包。
再者,开源软件无线电平台GNURadio底层的C++程序完成信号处理的逻辑功能,开源软件无线电平台GNURadio通过连接串口线将C++的控制命令传输给通用软件无线电平台USRP;为了将信号通过串口线传输到嵌入式设备的主机供开源软件无线电平台GNURadio进行进一步处理,所以需要将得到的基带信号转换成数据帧进行传输。
S102,开源软件无线电平台接收到每个无线射频收发子板对应的数据帧后,对每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包。
也就是说,开源软件无线电平台主要在嵌入式设备的主机上完成数据帧的进一步处理,并且处理后的信号数据包作为深度学习网络训练的数据集。
需要说明的是,开源软件无线电平台GNURadio对接收到的正交两路信号进行两部分处理,一部分恢复成频带信号,用于起点检测判断,另一部分提取包络,与预设的阈值对比进行起点检测,并把数据存储到文本中,作为对应无线射频收发子板的信号数据包。
S103,指纹识别模块对每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型。
也就是说,指纹识别模块完成对训练数据包进行分类,以此作为对不同线射频收发子板的区分;其流程是先对不同类型的训练数据包打上可以区分的标签,把相应的数据和标签整合到一起放入深度神经网络中训练,网络模型通过一层层的中间层提取特征,最终得到一个高精确度的指纹识别模型,达到对不同线射频收发子板的识别效果。
作为一个示例,可将信号幅频特性作为特征对所述每个无线射频收发子板对应的训练数据包进行分类标注以标识不同的无线设备。
需要说明的是,开源软件无线电平台在嵌入式设备Jetson TX2的操作系统下完成信号处理过程;同时由于嵌入式设备Jetson TX2中Tegra的硬件系统设计架构下,具有256位GPU图形处理器以及双核CPU和四核ARM组合的中央处理器,此架构的中断控制单元和相应处理器组合可以提高中央处理器的运算速度,指纹识别模块算法所涉及的深度学习网络模型的部署,由嵌入式设备Jetson TX2提供开发工具和高性能应用接口完成,接收到通用软件无线电平台采集得到数据,最终传输到嵌入式设备Jetson TX2上进行实时训练,得到对无线设备信号的识别模型。
S104,获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以通过训练好的指纹识别模型对待识别无线设备的射频信号进行识别。
也就是说,在实际无线设备通信情况下,只需将待识别的无线设备发送的信号数据输入到训练好的指纹识别模型即可得到相应的可视化标签输出,从而以深度学习的方式对无线设备进行识别。
综上所述,根据本发明实施例的基于嵌入式的无线设备RF指纹识别方法,首先,当通用软件无线电平台接收到开源软件无线电平台发送的控制命令后,通过天线接收多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;接着,开源软件无线电平台接收到每个无线射频收发子板对应的数据帧后,对每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;然后,指纹识别模块对每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;最后,获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以通过训练好的指纹识别模型对待识别无线设备的射频信号进行识别;由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
为了实现上述实施例,本发明实施例还提出了一种计算机可读存储介质,其上存储有基于嵌入式的无线设备RF指纹识别程序,该基于嵌入式的无线设备RF指纹识别程序被处理器执行时实现如上述的基于嵌入式的无线设备RF指纹识别方法。
根据本发明实施例的计算机可读存储介质,通过存储基于嵌入式的无线设备RF指纹识别程序,以使得处理器在执行该基于嵌入式的无线设备RF指纹识别程序时,实现如上述的基于嵌入式的无线设备RF指纹识别方法,由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
为了实现上述实施例,本发明实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述的基于嵌入式的无线设备RF指纹识别方法。
根据本发明实施例的计算机设备,通过存储器对基于嵌入式的无线设备RF指纹识别程序进行存储,以使得处理器在执行该基于嵌入式的无线设备RF指纹识别程序时,实现如上述的基于嵌入式的无线设备RF指纹识别方法,由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
为了实现上述实施例,本发明实施例提出了一种基于嵌入式的无线设备RF指纹识别装置,如图2所示,该基于嵌入式的无线设备RF指纹识别装置包括:嵌入式设备1、开源软件无线电平台2、通用软件无线电平台3、多个无线射频收发子板4和指纹识别模块5。
其中,通用软件无线电平台3通过串口总线与嵌入式设备1相连接,多个无线射频收发子板4置于通用软件无线电平台3的有效环境下,当通用软件无线电平台3接收到开源软件无线电平台2发送的控制命令后,通过天线接收多个无线射频收发子板4发送的射频信号,并对每个无线射频收发子板4发送的射频信号进行预处理,以得到每个无线射频收发子板4对应的基带信号,以及将每个无线射频收发子板4对应的基带信号转换成每个无线射频收发子板4对应的数据帧进行传输;开源软件无线电平台2接收到每个无线射频收发子板4对应的数据帧后,对每个无线射频收发子板4对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板4对应的训练数据包;指纹识别模块5对每个无线射频收发子板4对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以通过训练好的指纹识别模型对待识别无线设备的射频信号进行识别。
作为一个示例,通用软件无线电平台3根据采样参数对每个无线射频收发子板4发送的射频信号进行高斯键控调制信号解调和带通采样,同时采用FPGA母板和模数转换器进行数字下变频和模数转换,以及采用滤波器和混频器进行滤波处理,以将每个无线射频收发子板4发送的射频信号转换成中频信号,进而将中频信号转换成基带信号。
作为一个示例,嵌入式设备1配置有Linux系统,以便为嵌入式识别平台提供硬件驱动和程序运行的操作系统。
作为一个示例,指纹识别模块5将信号幅频特性作为特征对每个无线射频收发子板4对应的训练数据包进行分类标注以标识不同的无线设备。
综上所述,根据本发明实施例的基于嵌入式的无线设备RF指纹识别装置,当通用软件无线电平台接收到开源软件无线电平台发送的控制命令后,通过天线接收多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;接着通过开源软件无线电平台接收到每个无线射频收发子板对应的数据帧后,对每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;然后通过指纹识别模块对每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;最后获取待识别无线设备的射频信号,并将待识别无线设备的射频信号输入到训练好的指纹识别模型,以通过训练好的指纹识别模型对待识别无线设备的射频信号进行识别;由此,通过在嵌入式设备上搭配实时信号采集模块和深度学习下的目标分类算法,无需在云端服务器识别反应即可对各种无线通信环境下的射频信号进行快速精确的识别,从而大大降低了无线设备识别成本和算力要求,提供了更加高效和稳定的无线安全保障。
另外,作为一个具体实施例,如图2-5所示,嵌入式设备1Jetson TX2,用于为开源软件无线电平台2、通用软件无线电平台3和指纹识别模块5提供操作系统和运行环境,搭配深度学习算法引擎11和处理器频率调节模块12,可以提高信号处理速度和算法运行速度,在处理好射频信号数据后,嵌入式设备1Jetson TX2将数据集放入深度学习算法中,对射频信号指纹进行特征提取和信号分类,得到指纹识别模型。
开源软件无线电平台2用以处理由通用软件无线电平台3传输过来的信号数据帧,通用软件无线电平台3硬件驱动激活后,把采样频率、采样带宽、信号增益、信号阈值、缓存空间大小作为参数导入开源软件无线电开发平台2的信号处理模块,软件无线电平台3接收到高频信号后,将接收的高频信号转换成基带信号,最后打包成数据帧通过串口线传输给嵌入式设备1的主机,嵌入式设备1主机上的开源软件无线电平台2利用正交回路包络提取模块及起点检测模块7对基带信号进行预处理,转换成可以让深度神经网络学习的信号模式。
通用软件无线电平台3中,USRP包括了母板和子板,母板主要功能是中频采样以及中频信号到基带信号的转换,子板的功能在于射频信号的接收和发送以及将接收的高频信号转换成中频信号,在软件端完成信号的调制解调,USRP接收到控制命令后,在接收路径上,通过高斯键控解调及带通采样模块6对空间中信号进行实时采集,母板和子板将解调后的信号数字化,并转换成基带信号的数据帧。
射频收发子板模块4包含两部分,分别是射频信号发送子板和射频信号接收子板,两者都通过激活模块激活来发送或者接收射频信号,通过两部分通信创造射频通信环境;指纹识别模块5在操作系统接收到射频信号的数据后,先对不同的数据包进行标记,记做每个无线射频收发子板4所发射信号对应的标签;将各个不同无线射频收发子板4的数据送入深度神经网络8中进行分析,获取各个无线射频收发子板4信号数据的特征,最终训练得指纹识别模型9;由于已经对无线射频收发子板4进行标签分类,根据得到的信号的不同特征,所得到的指纹识别模型9可以区分不同的无线射频收发子板4,因此可以对无线射频收发子板进行识别。
需要说明的是,上述关于图1中基于嵌入式的无线设备RF指纹识别方法的描述同样适用于该基于嵌入式的无线设备RF指纹识别装置,在此不做赘述。
综上,根据本发明实施例的基于嵌入式的无线设备RF指纹识别装置,打开了无线设备识别系统小型化的基础,为无线信号提供新的识别算法;所涉及的实时信号采集模块,可以搭配集成化的嵌入式设备,适用于实时信号采集,同时承接采集的信号数据,在嵌入式设备的操作系统上,利用指纹识别模块5实时分析不同无线设备的信号特征差异,用以区分无线设备,达到无线设备便携化、高效化的目的,完成在任何情况下的无线设备安全识别。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于嵌入式的无线设备RF指纹识别方法,其特征在于,所述方法采用的基于嵌入式的无线设备RF指纹识别装置包括嵌入式设备、开源软件无线电平台、通用软件无线电平台、多个无线射频收发子板和指纹识别模块,所述通用软件无线电平台通过串口总线与所述嵌入式设备相连接,所述多个无线射频收发子板置于所述通用软件无线电平台的有效环境下,所述方法包括以下步骤:
当所述通用软件无线电平台接收到所述开源软件无线电平台发送的控制命令后,通过天线接收所述多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将所述每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;
所述开源软件无线电平台接收到所述每个无线射频收发子板对应的数据帧后,对所述每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;
所述指纹识别模块对所述每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;
获取待识别无线设备的射频信号,并将所述待识别无线设备的射频信号输入到所述训练好的指纹识别模型,以通过所述训练好的指纹识别模型对所述待识别无线设备的射频信号进行识别。
2.如权利要求1所述的基于嵌入式的无线设备RF指纹识别方法,其特征在于,对每个无线射频收发子板发送的射频信号进行预处理,包括:
根据采样参数对每个无线射频收发子板发送的射频信号进行高斯键控调制信号解调和带通采样,同时采用FPGA母板和模数转换器进行数字下变频和模数转换,以及采用滤波器和混频器进行滤波处理,以将所述每个无线射频收发子板发送的射频信号转换成中频信号,进而将所述中频信号转换成基带信号。
3.如权利要求1所述的基于嵌入式的无线设备RF指纹识别方法,其特征在于,所述嵌入式设备配置有Linux系统,以便为所述基于嵌入式的无线设备RF指纹识别装置提供硬件驱动和程序运行的操作系统。
4.如权利要求1所述的基于嵌入式的无线设备RF指纹识别方法,其特征在于,将信号幅频特性作为特征对所述每个无线射频收发子板对应的训练数据包进行分类标注以标识不同的无线设备。
5.一种计算机可读存储介质,其特征在于,其上存储有基于嵌入式的无线设备RF指纹识别程序,该基于嵌入式的无线设备RF指纹识别程序被处理器执行时实现如权利要求1-4中任一项所述的基于嵌入式的无线设备RF指纹识别方法。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时,实现如权利要求1-4中任一项所述的基于嵌入式的无线设备RF指纹识别方法。
7.一种基于嵌入式的无线设备RF指纹识别装置,其特征在于,包括嵌入式设备、开源软件无线电平台、通用软件无线电平台、多个无线射频收发子板和指纹识别模块,所述通用软件无线电平台通过串口总线与所述嵌入式设备相连接,所述多个无线射频收发子板置于所述通用软件无线电平台的有效环境下,当所述通用软件无线电平台接收到所述开源软件无线电平台发送的控制命令后,通过天线接收所述多个无线射频收发子板发送的射频信号,并对每个无线射频收发子板发送的射频信号进行预处理,以得到每个无线射频收发子板对应的基带信号,以及将所述每个无线射频收发子板对应的基带信号转换成每个无线射频收发子板对应的数据帧进行传输;所述开源软件无线电平台接收到所述每个无线射频收发子板对应的数据帧后,对所述每个无线射频收发子板对应的数据帧进行正交信号包络提取和起点检测,以得到每个无线射频收发子板对应的训练数据包;所述指纹识别模块对所述每个无线射频收发子板对应的训练数据包进行分类标注后,输入到预先建立的指纹识别模型中进行训练,以得到训练好的指纹识别模型;获取待识别无线设备的射频信号,并将所述待识别无线设备的射频信号输入到所述训练好的指纹识别模型,以通过所述训练好的指纹识别模型对所述待识别无线设备的射频信号进行识别。
8.如权利要求7所述的基于嵌入式的无线设备RF指纹识别装置,其特征在于,所述通用软件无线电平台根据采样参数对每个无线射频收发子板发送的射频信号进行高斯键控调制信号解调和带通采样,同时采用FPGA母板和模数转换器进行数字下变频和模数转换,以及采用滤波器和混频器进行滤波处理,以将所述每个无线射频收发子板发送的射频信号转换成中频信号,进而将所述中频信号转换成基带信号。
9.如权利要求7所述的基于嵌入式的无线设备RF指纹识别装置,其特征在于,所述嵌入式设备配置有Linux系统,以便为所述基于嵌入式的无线设备RF指纹识别装置提供硬件驱动和程序运行的操作系统。
10.如权利要求7所述的基于嵌入式的无线设备RF指纹识别装置,其特征在于,所述指纹识别模块将信号幅频特性作为特征对所述每个无线射频收发子板对应的训练数据包进行分类标注以标识不同的无线设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419084.2A CN113347637B (zh) | 2021-04-19 | 2021-04-19 | 基于嵌入式的无线设备rf指纹识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419084.2A CN113347637B (zh) | 2021-04-19 | 2021-04-19 | 基于嵌入式的无线设备rf指纹识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347637A CN113347637A (zh) | 2021-09-03 |
CN113347637B true CN113347637B (zh) | 2023-07-18 |
Family
ID=77468112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110419084.2A Active CN113347637B (zh) | 2021-04-19 | 2021-04-19 | 基于嵌入式的无线设备rf指纹识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347637B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419725A (zh) * | 2021-11-30 | 2022-04-29 | 西安交通大学 | 一种基于无线射频信号的行为检测方法及系统 |
CN114387627A (zh) * | 2022-01-11 | 2022-04-22 | 厦门大学 | 基于深度度量学习的小样本无线设备射频指纹识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008015687A2 (en) * | 2006-08-02 | 2008-02-07 | Karayil Thekkoott Narayanan Ma | A versatile platform for broadband wireless system design and prototyping using software defined radio methodology |
CN109919015A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 |
CN110069969A (zh) * | 2018-07-03 | 2019-07-30 | 电子科技大学 | 一种基于伪随机整合的认证指纹识别方法 |
CN112329579A (zh) * | 2020-10-28 | 2021-02-05 | 厦门大学 | 基于acgan-gp的小样本无线设备rf指纹识别方法及装置 |
-
2021
- 2021-04-19 CN CN202110419084.2A patent/CN113347637B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008015687A2 (en) * | 2006-08-02 | 2008-02-07 | Karayil Thekkoott Narayanan Ma | A versatile platform for broadband wireless system design and prototyping using software defined radio methodology |
CN110069969A (zh) * | 2018-07-03 | 2019-07-30 | 电子科技大学 | 一种基于伪随机整合的认证指纹识别方法 |
CN109919015A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 |
CN112329579A (zh) * | 2020-10-28 | 2021-02-05 | 厦门大学 | 基于acgan-gp的小样本无线设备rf指纹识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于嵌入式GPU的通信信号调制方式识别系统及实现;曹洁;宋蓓蓓;;无线通信技术(03);第25-29页 * |
基于无线射频技术的入侵设备识别方法研究;张汝君;张滇;;武汉大学学报(工学版)(09);第82-88页 * |
特征融合的射频指纹识别方法;刘燕平;田金鹏;陈泳;;上海大学学报(自然科学版)(03);第98-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113347637A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113347637B (zh) | 基于嵌入式的无线设备rf指纹识别方法及装置 | |
CN104700069B (zh) | 一种非绑定式射频标签健身动作识别监控系统及其方法 | |
CN107690659A (zh) | 一种图像识别系统及图像识别方法 | |
CN112867010B (zh) | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 | |
CN111160424B (zh) | 一种基于cnn图像识别的nfc设备指纹认证方法及系统 | |
WO2021103206A1 (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN109325399A (zh) | 一种基于信道状态信息的陌生人手势识别方法及系统 | |
CN109766496B (zh) | 一种内容风险识别方法、系统、设备及介质 | |
CN111757378B (zh) | 一种无线网络中设备识别方法及装置 | |
CN114189310A (zh) | 基于信号侦察和预测的无人机测控信号精准干扰方法 | |
Zha et al. | Real-world ADS-B signal recognition based on radio frequency fingerprinting | |
CN103971108A (zh) | 基于无线通信的人体姿态识别方法与装置 | |
CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN104680214B (zh) | 多协议uhf rfid读写器数字基带系统 | |
CN114676739B (zh) | 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法 | |
CN113221863B (zh) | 基于电磁空间周期统计的加密协议识别方法、系统及介质 | |
CN103902946B (zh) | 一种符合iso/iec15693标准的信号分析系统及其工作方法 | |
CN110472410A (zh) | 识别数据的方法、设备和数据处理方法 | |
CN114550143A (zh) | 无人车行驶中的场景识别方法及装置 | |
CN115065973A (zh) | 一种基于卷积神经网络的卫星测控地面站身份识别方法 | |
CN111079468B (zh) | 机器人识别物体的方法及装置 | |
CN102721917A (zh) | 用于无时钟电路的标签芯片的测试方法及测试装置 | |
CN104125026A (zh) | 超高频rfid标签协议一致性测试方法 | |
CN117057372B (zh) | 一种基于射频识别技术的多目标识别方法 | |
CN105137995B (zh) | 一种基于rfid技术的变电站x射线检测目标识别方法 |
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 |