CN113660006A - 一种无线设备识别方法、系统及数据处理终端 - Google Patents
一种无线设备识别方法、系统及数据处理终端 Download PDFInfo
- Publication number
- CN113660006A CN113660006A CN202110753789.8A CN202110753789A CN113660006A CN 113660006 A CN113660006 A CN 113660006A CN 202110753789 A CN202110753789 A CN 202110753789A CN 113660006 A CN113660006 A CN 113660006A
- Authority
- CN
- China
- Prior art keywords
- signal
- fractal dimension
- frame
- equipment
- dsss
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
- H04B1/7073—Synchronisation aspects
- H04B1/70735—Code identification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于物理层设备识别技术领域,公开了一种无线设备识别方法、系统及数据处理终端,所述无线设备识别方法包括:构建基于DSSS帧前导分形维数的无线设备识别模型;采样信号并依据设备辐射缺陷进行信号特征提取;利用DSSS帧前导计算信号分形维数;利用DSSS帧前导分形维数进行设备识别。本发明使用DSSS帧前导分形维数作为无线设备识别中的一种可用新辐射特征,该特征有效提高了物理层设备识别准确度。实验结果表明,本发明提供的基于DSSS帧前导分形维数的无线设备识别方法能够保证与已知特征相较性能增益。在不同噪声环境下,本发明的识别方法仍能保证可观的性能增益,尤其在高噪声环境下识别准确度提升更为显著。
Description
技术领域
本发明属于物理层设备识别技术领域,尤其涉及一种无线设备识别方法、系统及数据处理终端。
背景技术
目前,随着物联网、5G和LPWAN等技术的进步,无线设备的数量预计在可预见的未来不断增加。而随着无线接入设备数量的急速增长,无线设备识别逐渐面临一些新的技术挑战,如高效接入识别。此外,基于设备识别的技术在许多新兴应用中也发挥着越来越重要的作用,如设备定位、追踪等。传统识别方式是将身份信息存储于设备中,如媒体访问控制地址(MAC)、国际移动设备身份(IMEI)和射频识别,然而无线设备应用场景种类和规模的增加带来了新的挑战,身份信息的分发和管理日益复杂,且它们无法良好应对物理攻击,攻击者容易通过危害无线设备硬件以访问或窃取身份相关信息。
最新的研究是利用无线信号辐射特征进行设备识别。这里,辐射特征是指可以从无线信号中测量的不可复制和不可伪造的统计特征。这些特征主要是由无线设备中收发器的物理缺陷引起的,这些缺陷是在制造过程中随机产生的;因此,它们很难控制、预测和克隆,可以作为设备识别的内生、不可复制和不可伪造的身份。基于信号辐射特征的无线设备识别是对传统基于信息存储方法的有力补充,因为1)它是内生的,即不需要人为附加身份;2)它具有普遍适用性,可以应用于所有无线设备;3)对硬件攻击具有鲁棒性,增加了物理攻击的代价;4)它表现出高兼容性,即它与现有的信息存储方法兼容;5)它提高了通信效率(无显式的通信开销);6)它提供隐私保护,即不需要收集私人数据,如MAC、IMEI或生物特征。
然而,基于信号辐射特征的无线设备识别方案仍受限于其有限的识别准确度,目前未能得到实际广泛应用。这可归因于两个主要因素:首先,单个特征的可识别尺度,即在没有显著错误率的情况下可辨别的设备的最大数量是有限的;其次,通过多特征联合识别方案是一种有效的解决方案,但目前缺乏对硬件缺陷机理的深入探究,阻碍了更多信号特征提取的发展。因此,研究能够有效提高设备识别准确度的新辐射特征对于促进基于辐射特征的设备识别方法的发展至关重要。
直接序列扩频DSSS(Direct Sequence Spread Spectrum)是一种高安全性、高抗扰性的无线扩频通信方式。DSSS通过利用高速率的扩频序列在发射端扩展信号的频谱,而在接收端用相同的扩频码序列进行解扩,把展开的扩频信号还原成原来的信号。直接序列扩频技术在军事通信和机密工业中得到了广泛的应用,现在甚至普及到一些民用的高端产品,例如信号基站、无线电视、蜂窝手机、婴儿监视器等,是一种可靠安全的工业应用方案。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统识别方式是将身份信息存储于设备中,如媒体访问控制地址、国际移动设备身份和射频识别,然而无线设备应用场景种类和规模的增加带来了新的挑战,身份信息的分发和管理日益复杂,且它们无法良好应对物理攻击,攻击者容易通过危害无线设备硬件以访问或窃取身份相关信息。
(2)现有基于信号辐射特征的无线设备识别方案仍受限于其有限的识别准确度,目前未能得到实际广泛应用。
(3)单个特征的可识别尺度,即在没有显著错误率的情况下可辨别的设备的最大数量是有限的;通过多特征联合识别方案是一种有效的解决方案,但目前缺乏对硬件缺陷机理的深入探究,阻碍了更多信号特征提取的发展。
解决以上问题及缺陷的难度为:
(1)无线设备身份信息存储于设备中,随着无线设备应用场景种类和规模的增加,设备身份信息分发和管理的复杂性也日益提升。该问题无法通过改进现有方法改善,需要在设备识别技术方面进行概念性更新。
(2)辐射特征是从无线信号中测量的不可复制和不可伪造的统计特征,这些特征主要是由无线设备中收发器在制造过程中随机产生的物理缺陷引起的,特征很难控制、预测和克隆。
解决以上问题及缺陷的意义为:
(1)在设备识别技术方面进行概念性更新,解决复杂无线设备环境中,设备身份信息分发和管理问题。
(2)根据设备辐射特征进行信号特征建模,并计算信号分形维数,提升特征提取精度;联合使用多个设备特征,提升设备识别准确性。
发明内容
针对现有技术存在的问题,本发明提供了一种无线设备识别方法、系统及数据处理终端,尤其涉及一种基于DSSS帧前导分形维数的无线设备识别方法、系统及数据处理终端。
本发明是这样实现的,一种无线设备识别方法,所述无线设备识别方法包括以下步骤:
步骤一,构建基于DSSS帧前导分形维数的无线设备识别模型,确保提取的设备特征的准确度;
步骤二,采样信号并依据设备辐射缺陷进行信号特征提取;
步骤三,利用DSSS帧前导计算信号分形维数,供设备识别阶段使用;
步骤四,利用DSSS帧前导分形维数进行设备识别。
进一步,步骤一中,所述构建基于DSSS帧前导分形维数的无线设备识别模型,包括:
每一帧信号都经历发射机和接收机射频链路的硬件缺陷影响,所述硬件缺陷影响包括数模转换器转换误差、变频器频率误差和功率放大器放大偏差;射频链路中任意硬件缺陷都会导致无线信号呈现特定辐射特征,这种辐射特征利用接收器端物理层射频信号进行估计;
辐射特征简称为特征,由于帧前导字段是无线通信协议中事先定义好的,故特征估计使用无线信号帧的前导字段来执行,接收机可将其作为特征估计的参考信号;有效载荷部分指代实际通信传输数据,接收端事先无法知晓其内容,因此此部分不用于描述的特征估计;
前导字段是0~1符号组成的固定序列,定义如下:
X=[x0,x1,...,xi,...xN];
其中,x1≤i≤U为I/Q调制符号。
进一步,步骤二中,所述采样信号并依据设备辐射缺陷进行信号特征提取,包括使用802.11b规范PLCP中定义的帧前导字段进行采样,并依据每一帧提取信号特征,包括:
(1)采样和帧检测:以22MHz采样频率进行信号采样,使用功率匹配算法粗略判断采样信号中每帧的起始和结束位置;
(2)帧定位:在粗略进行帧检测后,采用滑动窗口将接收信号样本与协议规定的128位前导码进行匹配,实现精准帧定位;
(3)特征计算:精准帧定位后,使用帧前导用于特征计算;基于原始样本计算信号特征,并利用解扩后的帧前导计算分形维数特征。
进一步,步骤(3)中,所述信号特征,包括载波频偏、I/Q不均衡、幅度误差、相位误差以及同步误差。
进一步,步骤三中,所述利用DSSS帧前导计算信号分形维数,包括:
将实际接收到的信号表示为:
X′=[x′0,x′1,...,x′i,...x′N];
其中,Lτ,n和L1,n分别为:
Lτ,n=|x′n·τ-x(n-1)·τ|;
L1,n=|x′n-x′n-1|;
其中,X′表示接收机侧解扩后的帧前导字段,其中每个符号由于射频链中的物理缺陷与X中的符号有差别。
进一步,步骤四中,利用DSSS帧前导分形维数进行设备识别,包括:
(1)针对每个网卡,采集1000帧信号,分别计算出每个帧样本的分形维数、载波频偏、幅度误差、I/Q不平衡、相位误差和同步误差在内的六种设备特征,构成六维信号特征向量并归一化计算所得的特征向量作为原始训练数据;
(2)采用kNN和SVM算法对输入数据进行训练,依据训练好的模型针对未知设备的信号帧进行设备识别;
(3)将未知设备的信号帧依据特征提取方法提取出信号特征向量并输入训练好的kNN和SVM模型,得到的模型输出结果即为所识别出的设备身份。
本发明的另一目的在于提供一种应用所述的无线设备识别方法的无线设备识别系统,所述无线设备识别系统包括:
模型构建模块,用于构建基于DSSS帧前导分形维数的无线设备识别模型;
特征提取模块,用于进行信号采样并依据设备辐射缺陷进行信号特征提取;
分形维数计算模块,用于利用DSSS帧前导计算信号分形维数;
设备识别模块,用于利用DSSS帧前导分形维数进行设备识别。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
构建基于DSSS帧前导分形维数的无线设备识别模型;采样信号并依据设备辐射缺陷进行信号特征提取;利用DSSS帧前导计算信号分形维数;利用DSSS帧前导分形维数进行设备识别。
本发明的另一目的在于提供一种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,使得所述处理器执行如下步骤:
构建基于DSSS帧前导分形维数的无线设备识别模型;采样信号并依据设备辐射缺陷进行信号特征提取;利用DSSS帧前导计算信号分形维数;利用DSSS帧前导分形维数进行设备识别。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的无线设备识别系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的无线设备识别方法,使用DSSS帧前导分形维数作为无线设备识别中的一种可用新辐射特征,该特征有效提高了物理层设备识别准确度。本发明提出了一种新的辐射特征,称为DSSS帧前导的分形维数,能够提高DSSS系统中无线设备识别的准确性。本发明提供的无线设备识别方法,选择性地结合DSSS帧前导分形维数、载波频偏、幅度误差、I/Q不平衡、相位误差、同步误差,多特征联合使用有效提高了物理层设备识别准确度。
实验结果表明,本发明提供的基于DSSS帧前导分形维数的无线设备识别方法能够保证与已知特征相较性能增益。对于有线的情况,基于SVM的识别准确度提升4.3%,基于kNN的识别准确度提升5.3%。在不同噪声环境下,仍能保证可观的性能增益,尤其在高噪声环境下识别准确度提升更为显著。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的无线设备识别方法流程图。
图2是本发明实施例提供的无线设备识别方法原理图。
图3是本发明实施例提供的无线设备识别方法架构图。
图4是本发明实施例提供的无线设备识别系统结构框图;
图中:1、模型构建模块;2、特征提取模块;3、分形维数计算模块;4、设备识别模块。
图5是本发明实施例提供的IEEE 802.11b帧时序信号示意图。
图6是本发明实施例提供的发射器-接收器射频链路图。
图7是本发明实施例提供的实验结果折线图;
图中:1为DSSS帧前导分形维数特征,2、3、4、5、6分别代表载波频偏、幅度误差、I/Q不平衡、相位误差、同步误差;红线为不使用分形维数特征(即使用2,3,4,5,6特征)进行设备识别的准确度,黑线为加入分形维数特征(即使用1,2,3,4,5,6特征)进行设备识别的准确度。
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。
针对现有技术存在的问题,本发明提供了一种无线设备识别方法、系统及数据处理终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的无线设备识别方法包括以下步骤:
S101,构建基于DSSS帧前导分形维数的无线设备识别模型,确保提取的设备特征的准确度;
S102,采样信号并依据设备辐射缺陷进行信号特征提取;
S103,利用DSSS帧前导计算信号分形维数,供设备识别阶段使用;
S104,利用DSSS帧前导分形维数进行设备识别。
本发明实施例提供的无线设备识别方法原理图如图2所示,本发明实施例提供的无线设备识别方法架构图如图3所示。
如图4所示,本发明实施例提供的无线设备识别系统包括:
模型构建模块1,用于构建基于DSSS帧前导分形维数的无线设备识别模型;
特征提取模块2,用于进行信号采样并依据设备辐射缺陷进行信号特征提取;
分形维数计算模块3,用于利用DSSS帧前导计算信号分形维数;
设备识别模块4,用于利用DSSS帧前导分形维数进行设备识别。
下面结合实施例对本发明的技术方案作进一步描述。
如图3和图6所示,本发明实施例提供的基于DSSS帧前导分形维数的无线设备识别系统包含以下步骤:
1、构建基于DSSS帧前导分形维数的无线设备识别模型
如图6所示,每一帧信号都经历发射机和接收机射频链路的硬件缺陷影响,包括但不限于数模转换器转换误差、变频器频率误差和功率放大器放大偏差。射频链路中任意硬件缺陷都会导致无线信号呈现特定辐射特征,这种辐射特征可以利用接收器端物理层射频信号进行估计。为了方便起见,辐射特征将在下文中简称为特征。特征估计通常使用无线信号帧的前导字段来执行,这主要是因为帧前导字段是无线通信协议中事先定义好的;因此,接收机可将其作为特征估计的参考信号。图5示出了实验中获得的IEEE 802.11b帧示例图,其中,有效载荷部分指代实际通信传输数据,接收端事先无法知晓其内容,因此此部分不用于本发明描述的特征估计。前导字段通常是0-1符号组成的固定序列,可以定义如下:
X=[x0,x1,...,xi,...xN]
式中X为发射端前导字段向量,x1≤i≤N为I/Q正交同向信号调制符号。
2、采样信号并利用设备辐射缺陷进行特征提取
使用802.11b规范(物理层汇聚协议,PLCP)中定义的帧前导字段进行采样并依据每一帧提取信号特征。
(1)采样和帧检测:本发明先以22MHz采样频率进行信号采样,获取原始信号,然后使用功率匹配算法粗略判断采样信号中每帧的起始和结束位置。
(2)帧定位:在粗略进行帧检测后,本发明采用滑动窗口将接收信号样本与协议规定的128位前导码进行匹配,实现精准帧定位。
(3)特征计算:一旦精准帧定位,本发明使用帧前导用于射频特征计算。本发明基于原始样本计算了载波频偏,I/Q不均衡,幅度误差,相位误差,同步误差等信号特征,并进一步利用解扩后的帧前导计算分形维数特征。
3、利用特征计算帧前导分形维数
将实际接收到的无线信号表示为:
X′=[x′0,x′1,...,x′i,...x′N]
其中,τ为测量单位的标度,Lτ,n和L1,n分别为:
Lτ,n=|x′n·τ-x′(n-1)·τ|
L1,n=|x′n-x′n-1|
这里,X′表示接收机侧解扩后的帧前导字段,其中每个符号由于射频链中的物理缺陷与X中的符号有差别。
4、利用帧前导分形维数进行设备识别
实验选取了25个网卡运行IEEE 802.11b协议,使用USRP B210部署IEEE 802.11b接收协议与网卡进行通信以便采集物理层信号。针对每个网卡采集1000帧信号,进行帧定位、帧前导截取后,分别计算出每个帧样本的分形维数、载波频偏、幅度误差、I/Q不平衡、相位误差、同步误差六种设备特征,构成六维信号特征向量并归一化计算所得的特征向量作为原始训练数据;采用kNN和SVM算法对输入数据进行训练,依据训练好的模型针对未知设备的信号帧进行设备识别。将未知设备的信号帧依据上述特征提取方法提取出信号特征向量并输入训练好的kNN和SVM模型,得到的模型输出结果即为所识别出的设备身份。
图7为本发明实验数据,结果表明,本实施例的基于DSSS帧前导分形维数的无线设备识别方法能够保证与已知特征相较性能增益。对于有线的情况,基于SVM的识别准确度提升4.3%,基于kNN的识别准确度提升5.3%。在不同噪声环境下,仍能保证可观的性能增益,尤其在高噪声环境下识别准确度提升更为显著。
上述实施例中测试为IEEE802.11b通信协议,该协议采用的是直接序列扩频模式;此外,任意使用直接序列扩频模式的通信协议均可使用所提出的方法进行设备特征提取以及设备识别。基于此物理层特征的识别方案在未来无线通信网络中具有诸多应用价值。例如:基于物理层设备识别进行设备追踪、基于设备物理层识别实现差异化管控、基于物理层设备识别的异构网络安全融合、增强用户身份信息的隐匿性等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种无线设备识别方法,其特征在于,所述无线设备识别方法包括:
构建基于DSSS帧前导分形维数的无线设备识别模型;
采样信号并依据设备辐射缺陷进行信号特征提取;
利用DSSS帧前导计算信号分形维数;
利用DSSS帧前导分形维数进行设备识别。
2.如权利要求1所述的无线设备识别方法,其特征在于,所述构建基于DSSS帧前导分形维数的无线设备识别模型,包括:
每一帧信号都经历发射机和接收机射频链路的硬件缺陷影响,所述硬件缺陷影响包括数模转换器转换误差、变频器频率误差和功率放大器放大偏差;射频链路中任意硬件缺陷都会导致无线信号呈现特定辐射特征,这种辐射特征利用接收器端物理层射频信号进行估计;
辐射特征简称为特征,由于帧前导字段是无线通信协议中事先定义好的,故特征估计使用无线信号帧的前导字段来执行,接收机可将其作为特征估计的参考信号;有效载荷部分指代实际通信传输数据,接收端事先无法知晓其内容,因此此部分不用于描述的特征估计;
前导字段是0~1符号组成的固定序列,定义如下:
X=[x0,x1,…,xi,…xN];
其中,x1≤i≤N为I/Q调制符号。
3.如权利要求1所述的无线设备识别方法,其特征在于,所述采样信号并依据设备辐射缺陷进行信号特征提取,包括使用802.11b规范PLCP中定义的帧前导字段进行采样,并依据每一帧提取信号特征,包括:
(1)采样和帧检测:以22MHz采样频率进行信号采样,使用功率匹配算法粗略判断采样信号中每帧的起始和结束位置;
(2)帧定位:在粗略进行帧检测后,采用滑动窗口将接收信号样本与协议规定的128位前导码进行匹配,实现精准帧定位;
(3)特征计算:精准帧定位后,使用帧前导用于特征计算;基于原始样本计算信号特征,并利用解扩后的帧前导计算分形维数特征。
4.如权利要求3所述的无线设备识别方法,其特征在于,步骤(3)中,所述信号特征,包括载波频偏、I/Q不均衡、幅度误差、相位误差以及同步误差。
6.如权利要求1所述的无线设备识别方法,其特征在于,利用DSSS帧前导分形维数进行设备识别,包括:
(1)针对每个网卡,采集1000帧信号,分别计算出每个帧样本的分形维数、载波频偏、幅度误差、I/Q不平衡、相位误差和同步误差在内的六种设备特征,构成六维信号特征向量并归一化计算所得的特征向量作为原始训练数据;
(2)采用kNN和SVM算法对输入数据进行训练,依据训练好的模型针对未知设备的信号帧进行设备识别;
(3)将未知设备的信号帧依据特征提取方法提取出信号特征向量并输入训练好的kNN和SVM模型,得到的模型输出结果即为所识别出的设备身份。
7.一种实施权利要求1~6任意一项所述的无线设备识别方法的无线设备识别系统,其特征在于,所述无线设备识别系统包括:
模型构建模块,用于构建基于DSSS帧前导分形维数的无线设备识别模型;
特征提取模块,用于进行信号采样并依据设备辐射缺陷进行信号特征提取;
分形维数计算模块,用于利用DSSS帧前导计算信号分形维数;
设备识别模块,用于利用DSSS帧前导分形维数进行设备识别。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:构建基于DSSS帧前导分形维数的无线设备识别模型;采样信号并依据设备辐射缺陷进行信号特征提取;利用DSSS帧前导计算信号分形维数;利用DSSS帧前导分形维数进行设备识别。
9.一种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,使得所述处理器执行如下步骤:构建基于DSSS帧前导分形维数的无线设备识别模型;采样信号并依据设备辐射缺陷进行信号特征提取;利用DSSS帧前导计算信号分形维数;利用DSSS帧前导分形维数进行设备识别。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述的无线设备识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753789.8A CN113660006B (zh) | 2021-07-03 | 2021-07-03 | 一种无线设备识别方法、系统及数据处理终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753789.8A CN113660006B (zh) | 2021-07-03 | 2021-07-03 | 一种无线设备识别方法、系统及数据处理终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113660006A true CN113660006A (zh) | 2021-11-16 |
CN113660006B CN113660006B (zh) | 2022-08-09 |
Family
ID=78489874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110753789.8A Active CN113660006B (zh) | 2021-07-03 | 2021-07-03 | 一种无线设备识别方法、系统及数据处理终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113660006B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5732158A (en) * | 1994-11-23 | 1998-03-24 | Tec-Masters, Inc. | Fractal dimension analyzer and forecaster |
US20090263034A1 (en) * | 2008-04-21 | 2009-10-22 | Brainscope Company, Inc. | System and Method For Signal Processing Using Fractal Dimension Analysis |
CN107370553A (zh) * | 2017-08-28 | 2017-11-21 | 电子科技大学 | 一种电磁频谱伞罩干扰机的自干扰序列选择系统与方法 |
US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
CN111542006A (zh) * | 2020-04-02 | 2020-08-14 | 浙江工业大学 | 一种基于无线射频信号的物体识别方法 |
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 |
CN112398553A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
-
2021
- 2021-07-03 CN CN202110753789.8A patent/CN113660006B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5732158A (en) * | 1994-11-23 | 1998-03-24 | Tec-Masters, Inc. | Fractal dimension analyzer and forecaster |
US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
US20090263034A1 (en) * | 2008-04-21 | 2009-10-22 | Brainscope Company, Inc. | System and Method For Signal Processing Using Fractal Dimension Analysis |
CN107370553A (zh) * | 2017-08-28 | 2017-11-21 | 电子科技大学 | 一种电磁频谱伞罩干扰机的自干扰序列选择系统与方法 |
CN111542006A (zh) * | 2020-04-02 | 2020-08-14 | 浙江工业大学 | 一种基于无线射频信号的物体识别方法 |
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 |
CN112398553A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113660006B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10742461B2 (en) | Carrier frequency estimation for radio frequency fingerprinting | |
Tang et al. | Exploiting Wireless Received Signal Strength Indicators to Detect Evil‐Twin Attacks in Smart Homes | |
CN105635125A (zh) | 基于射频指纹和信道信息的物理层联合认证方法 | |
Zhou et al. | Design of a robust RF fingerprint generation and classification scheme for practical device identification | |
Song et al. | Enhancing Packet‐Level Wi‐Fi Device Authentication Protocol Leveraging Channel State Information | |
CN114978776B (zh) | 一种电力物联网终端可信数据交互方法、装置及电子设备 | |
Ren et al. | A practical study of channel influence on radio frequency fingerprint features | |
CN113037662A (zh) | 一种基于联邦学习的移动设备射频分布识别方法 | |
CN114598517A (zh) | 一种基于联邦学习的移动设备射频分布识别方法 | |
CN109348477B (zh) | 基于服务网络的无线物联网物理层认证方法 | |
CN112822689B (zh) | 一种基于载波频率偏差的射频指纹提取方法 | |
CN108966232B (zh) | 基于服务网络的无线物联网物理层混合认证方法及系统 | |
Ding et al. | A research of I/Q imbalance based RF fingerprint identification with LTE-RACH signals | |
CN113660006B (zh) | 一种无线设备识别方法、系统及数据处理终端 | |
Li et al. | Fractal dimension of dsss frame preamble: Radiometric feature for wireless device identification | |
CN116916309A (zh) | 一种通信安全认证方法、设备及存储介质 | |
Lin et al. | Using SDR Platform to Extract the RF Fingerprint of the Wireless Devices for Device Identification | |
Xie et al. | Few‐Shot Specific Emitter Identification Based on Variational Mode Decomposition and Meta‐Learning | |
Zhang et al. | Bluetooth Low Energy Device Identification Based on Link Layer Broadcast Packet Fingerprinting | |
JP2018129715A (ja) | 無線通信システム、検知装置、無線通信端末、方法およびプログラム | |
CN112074002B (zh) | 一种电力无线专网设备接入认证方法及系统 | |
CN108199991A (zh) | 基于置信传递的时变衰落信道的物理层盲认证方法和系统 | |
CN114980086A (zh) | 模型训练、密钥生成方法、训练设备、通信方及系统 | |
CN115509628A (zh) | 微服务调用方法、装置、设备及存储介质 | |
Zhang et al. | Wi-Fi device identification based on multi-domain physical layer fingerprint |
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 |