CN114615666B - 一种自适应多变干扰域的通用射频指纹提取与识别方法 - Google Patents

Abstract

本发明属于设备身份识别领域，具体涉及一种自适应多变干扰域的通用射频指纹提取与识别方法。包括步骤：S1.将输入信号进行同步头截取，得到输入信号的同步头信号；S2.基于所述同步头信号计算阈值，并基于所述阈值对所述同步头信号进行同步压缩小波变换后进行FFT变换，得到高频信息与低频信息；S3.对所述高频信息与低频信息进行二次能量分配得到层级能量矩阵；并基于所述层级能量矩阵对所述高频信息与所述低频信息进行重组得到重组方程；将所述重组方程作为射频指纹；S4.将所述射频指纹输入训练好的神经网络，得到识别结果。本发明提取方式简单，普适性强，能够自适应多种干扰域，在低信噪比条件下保持最大限度的识别准确率。

Description

一种自适应多变干扰域的通用射频指纹提取与识别方法

技术领域

本发明属于设备身份识别领域，具体涉及一种自适应多变干扰域的通用射频指纹提取与识别方法。

背景技术

目前无线设备的数量随着技术的发展，各行各业都开始采用无线方式进行技术、信息互联，这种无线互联方式通常是采用通信协议，携带协议地址用以表明设备身份。当涉及到无线互联安全的时候，通信协议地址由于其采用的软件调制方式从而容易通过人为方式来冒充身份或恶意欺骗终端设备。因此，近年来提出了基于射频指纹(Radio FrequencyFingeprint,RFF)的特殊设备身份识别(Special Emitter Identificaion,SEI)，该指纹由于是由设备出厂电路的独特性决定，被证明是每个设备的唯一身份，并且难以被欺骗或者冒充。

SEI领域中，一般有两种方式实现射频指纹识别，一种是传统方式，通过通信领域的傅里叶变化、能量谱计算、滤波器使用等，实现不同信号之间的关联计算，从而判断射频指纹是否属于某一设备；一种是基于深度学习的方式，通过深度学习网络对射频指纹的分布性进行学习并判定设备身份。

目前所使用的两种射频指纹提取与识别方式都具有很大的局限性。比如，Reising,D.,et al."Radio Identity Verification-based IoT Security Using RF-DNAFingerprints and SVM,"IEEE INTERNET THINGS,vol.8,no.10,pp.8356-8371,May,2021中所提到的射频指纹提取方式是采用了6种以上专业通信信号处理算法用以合成一套射频指纹，随后使用SVM网络进行指纹识别。该方法结合了传统与深度学习的方式，但是其射频指纹提取模块太过复杂且专业，当对射频指纹类型进行切换后，该方法便不再具有通用性，并且重新调整算法的难度极大。比如，”Huang,D.,et al."Micro-Doppler SpectrogramDenoising Based on Generative Adversarial Network,"201848th EuropeanMicrowave Conference(EuMC)2018”所提到的采用时频图方式提取信号特征，这种方式具有一定的通用性，但是其由于图转换过程会加大信号特征提取的过程复杂度，同时当信噪比下降到10db后，便出现了识别准确率显著下降的现象。比如，“I.Agadakos,N.Agadakos,J.Polakis,and M.R.Amer,“Chameleons’oblivion:Complex-valued deep neuralnetworks for protocol-agnostic RF device fingerprinting,”in Proc.IEEEEur.Symp.Secur.Privacy(EuroS&P),Genoa,Italy,Sep.2020,pp.322–338.“所提出的复式射频指纹识别网络，虽然对于复式信号有一定的提升，但是其对资源的需求与复杂性显著提高。

综上，现有技术中的射频指纹提取与识别在动态干扰和复杂环境下性能不可靠、前期处理严重依赖专业通信算法处理、指纹提取方式不具有通用性以及识别网络效率低等，这些问题在SEI实际应用时都亟待解决。

发明内容

本发明的目的在于克服现有的SEI技术中存在的通用性差的问题，本发明第一方面提供一种自适应多变干扰域的通用射频指纹提取与识别方法，包括如下步骤：

S1.对输入信号进行同步头截取，得到输入信号的同步头信号；

S2.对所述同步头信号进行第一层级的同步压缩小波变换，通过第一层级的小波变换能量分布结果计算第二层级；

以及，基于所述第二层级对所述同步头信号进行同步压缩小波变换处理，对处理后的信号进行FFT变换，得到高频信息与低频信息；

其中，第二层级大于第一层级；

S3.对所述高频信息与低频信息进行二次能量分配得到层级能量矩阵；并基于所述层级能量矩阵对所述高频信息与所述低频信息进行重组得到重组方程；将所述重组方程作为射频指纹。

作为本发明的优选实施方式，在所述S3中，并基于所述层级能量矩阵对所述高频信息与所述低频信息进行重组得到重组方程；所述重组方程SWTE为：

其中，

为第l层的低频信息用于表征SWTE细节信息，/>

为第l层的高频信息用于表征同步头信息中的近似信息，E_l′为第l层的能量，l为小波能量变化提取层级。

作为本发明的优选实施方式，在所述S3中，对所述高频信息与低频信息进行二次能量分配得到层级能量矩阵，所述层级能量矩阵为(E₁′，E₂′，E₃′，…，E_l′)，并通过如下公式计算：

其中，i∈[0，l]。

其中，能量计算公式为：

作为本发明的优选实施方式，在所述S2中，所述第一层级同步压缩小波变换为1层级同步压缩小波变换。

作为本发明的优选实施方式，所述第二层级通过如下公式计算：

E(SWT_l(x(n)))≥4*E(SWT₁(x(n)))

其中，运算符“E()”为能量计算公式，运算符“SWT₁()”为一层同步压缩小波变换，x(n)为同步头信号。

本发明第二方面提供一种自适应多变干扰与的通用射频指纹识别方法，包括：

采用上述的射频指纹提取方法提取射频指纹，基于所提取的射频指纹构建训练集，利用所述训练集训练神经网络，当所述神经网络满足条件收敛时，利用所述神经网络进行射频指纹的识别。

作为本发明的优选实施方式，所述神经网络为残差网络。

作为本发明的优选实施方式，基于所提取的射频指纹构建训练集，还包括，将表达式为[2*l，L]的二维射频指纹变换成表达式为

的三维射频指纹后构件训练集，其中L为同步头长度。通过重组方程SWTE的表达式可以得出重组方程一共有2l行，同时，在提取SWTE的过程中并不会改变同步头长度L，因此SWTE具有L列，即SWTE是一个的表达式为[2*l，L]的二维矩阵，本发明将其转换成表达式/>

的三维矩阵后训练神经网络以及使用训练好的神经网络进行，可以解决射频指纹识别中由于信号特殊格式造成的识别网络结构复杂、SEI识别效率低以及低于5db信噪比条件下识别准确率显著下降的问题。

作为本发明的优选实施方式，所述神经网络为残差网络，所述残差网络使用二维残差网络核。

与现有技术相比，本发明的有益效果：

1.本发明基于输入信号的同步头信号提取射频指纹，在输入的射频信号类型发生变换的时候，只需要调整输入信号长度即可，具有通用性，提取同步头进行射频指纹提取与识别具有高效率、不容易被篡改的协议信息干扰的优点；并且同步头信号提取方式简单，对硬件资源需求不高，不增加射频指纹提取过程的复杂性；同时，本方法明显的改善了针对射频指纹识别领域在复杂多变干扰域中可靠性显著降低的问题，能够自适应多种干扰域，在低信噪比条件下保持最大限度的识别准确率；

2.本发明通过小波能量二次分配公式与重组方程，对多层级小波进行能量二次分配与重组，解决了由于同步压缩小波变化在提取信号特征的过程中，随着层级增加，其提取的信息能量会不合理的显著提升的问题；通过重组后的多层级的高频信息与低频信息可以加强信号的本质特征并弱化环境干扰特征；

3.在本发明的示例性实施例中，通过第一层级的小波变换能量分布结果计算第二层级，本发明采用的同步压缩小波变换(SWT)源自于经验模式分解(EMD)的方法，可以将时间序列信号转换到时频平面上，有良好的噪声消除与突变性特征抓取能力；本发明通过设置小波能量变化提取层级保证SWT提取层级有效性的最大化。

附图说明：

图1为本发明示例性实施例中所提出的方法的整体流程图；

图2为本发明示例性实施例中建立ADS-B数据库的流程图；

图3a为本发明示例性实施例中同步头截取示意图；

图3b为本发明示例性实施例中同步头截取效果示意图；

图4为本发明示例性实施例中射频指纹的提取方法示意图；

图5为本发明示例性实施例中能量小波变化的细节信息一维表达示意图；

图6为本发明示例性实施例中能量小波变化的细节信息二维表达示意图；

图7为本发明示例性实施例中所使用的残差网络与传统残差网络的对比图；

图8为本发明示例性实施例中模式优化与传统方法的测试集识别准确率对比图；

图9为本发明示例性实施例中提出的一种自适应多变干扰域的通用射频指纹提取与识别方法整体流程图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

本实施例基于ADS-B(Automatic Dependent Surveillance-Broadcast)信号采用本发明提出的方法进行射频指纹提取与识别，具体流程图如图1所示。

步骤1：建立ADS-B数据库：

使用实时频谱分析仪，采集时间长度设置为160μs，中心频率设置为1090MHz，采集频率设置为150MHz的信号，通过筛查信号长度，建立阈值，将ADS-B信号从该中心频点的信号中提取出来。基于ADS-B协议，通过simulink的数字信号处理方法，将ADS-B信号进行噪声过滤，得到约10db信噪比的、带有设备标签号10类的ADS-B信号数据库。此时，将该数据库按照1:1的比例拆分为训练集与测试集。

本实施例使用1:1的比例而非7:3的比例是因为测试集要按照信噪比-20db到10db的分布范围添加动态噪声。7:3的比例会使得每一组噪声测试信号数量不足。该数据库的数据分别为10db的1800个的训练样本，1800个与训练集同分布的测试样本，1800个加10db噪声的测试样本，1800个加5db噪声的测试样本，1800个加0db噪声的测试样本，1800个加-5db噪声的测试样本，1800个加-10db噪声的测试样本，1800个加-15db噪声的测试样本，1800个加-20db噪声的测试样本，具体过程如图2所示。

本实施例中建立无线设备数据库：为了验证该发明内容的有效性，建立了基于真实无线设备采集的无线信号数据库，该数据库通过数字信号处理方法进行信号身份标注、信噪比处理以及人为噪声干扰，形成了具备高信噪比的训练数据集以及具备动态噪声变化的测试数据集。本发明提供的数据集建立方式高信噪比10db训练集，变动信噪比-20db～10db测试集，可以更准确地验证变化环境下系统的真实鲁棒性；

步骤2：自适应多变干扰域的通用射频指纹提取与识别方法提取信号射频指纹

a.对ADS-B信号进行同步头截取：

ADS-B信号同步头仅作为信号到来的提示作用，而不携带任何协议信息，因此，提取同步头进行射频指纹提取与识别具有高效率、不容易被篡改的协议信息干扰的优点；通用信号都具有相似同步头，ADS-B信号同步头信号为前四个脉冲，如图3a所示。通过计算全信号的平均幅值，将第一次高于平均值的点设为p，L为同步头长度，截取(p-100，p-100+L)为ADS-B同步头，100为同步头到来前的预留长度，用来捕捉信号的瞬时特征。截取效果如图3b所示。

b.计算同步压缩小波变化的阈值

根据阈值公式计算小波变换提取有效性最大化的最大层级，信号采样后离散表达式为：x(n)；同步压缩小波变化SWT_s计算公式为：

x(n)＝Acos(ωn)；

/>

本实施例使用的小波基表达式为：

为了提取SWT的细节信息g与近似信息h，采用高通滤波器G与低通滤波器H，换句话说，细节信息来自SWT变换的高频信息，近似信息来自SWT变换的低频信息：

g(x(n))＝G*SWT_s

h(x(n))＝H*SWT_s

同步压缩小波变化为多级变化，其中，h为细节信息提取，g为近似信息提取：

SWT₁(x(n))＝(g(x(n))，h(x(n)))＝g₁，h₁

SWT₂(x(n))＝g(g₁)，h(g₁)

…

SWT_t(x(n))＝g(g_t-1)，h(g_t-1)

能量计算公式为：

通用阈值计算公式：

σ＝4*E(SWT₁(x(n)))

小波能量变化提取层级设为以下公式，根据该公式约定推算出l：

E(SWT_l(x(n)))≥σ

自此，小波能量变化提取层级阈值计算完毕，l为第二层级，代表小波能量变化中能够信息表达最大化的最大层级，需要说明的是公式中E，SWT以及σ都不受信号形式的局限。

c.二次能量分配与重组方程表达

对根据计算阈值所提取的同步压缩变化的多层信息进行能量二次分配与重组；该过程中所涉及的公式也都为通用公式，与ADS-B信号格式、通信协议等没有任何关系。

定义SWT′_i＝|FFT(SWT_i((x(n)))|，其中x(n)由实部与虚部构成，因此经过SWT与FFT(快速傅里叶)变换后，依然是复数形式，imag代表虚部，real代表实部：

FFT(SWT_i((x(n)))＝imag*j+real

设置l为上述SWT提取的最大层级，那么有以下定义：

…

能量二次分配重定义：

根据E公式计算后表达式为：

那么，本实施例就得到了层级能量矩阵：

(E₁′，E₂′，E₃′，…，E_l′)；

根据层级能量矩阵，设置重组方程：

通过以上公式所得到的能量二次分配与重组矩阵，实现同步压缩小波变换的能量上扬值抑制，同时，锐化前面层级的细节信息与近似信息，钝化后面层级的信息，从而在重组表达式中，能够得到更明显的指纹特征，削减环境干扰特征。SWTE具体的计算流程如图4所示。

分别采用SWT、SWT′、SWTE与时频图提取方法对步骤1中建立的ADS-B数据库进行射频指纹提取，提取到射频指纹后输入至训练好的神经网络，得到识别结果，并计算不同射频指纹提取方法的识别准确率。识别准确率为：该信噪比识别准确样本数量/该信噪比测试样本数量。不同射频指纹提取方法的识别准确率如表1所示。

/>

表1不同射频指纹提取方式下的识别准确率

本发明解决射频指纹提取常用方法过于依赖专业知识、不具备通用性以及面对实际应用环境变化射频指纹特征失效的问题；步骤2中所有步骤不受信号类型的变化而变化；加入步骤2b后，信噪比在0db的10类数据识别准确率显著提升，由同步压缩小波变换的25％提升至69.5％，加入步骤2c后，信噪比0db的10类数据识别准确率进一步提升为78％；信噪比在-5db下，步骤2b部分后，15％提升为52.5％；步骤2c部分后，进一步提升为68％。

综上，本方法将输入的信号首先进行同步头截取，通过中心频点接收到的通信信号一般都具有同步头特征，其表现为接收信号幅度值突变，代表新信号的带来，信号的同步头不携带任何信息，具有射频指纹高效率提取与不容易被篡改的优点。其中同步头截取通过观察接收信号凸起脉冲间距确定，同步头与信号数据段一般采用大间距进行区分，确定同步头脉冲数量后，便可根据脉冲数量的长度截取信号同步头，该长度在接收机相同频点、相同采样率下一定是固定的；

本发明通过设计通用公式计算阈值，根据阈值计算同步压缩变换提取最大层级，该变换由于其采用的经验模式分解的方法，将时间序列信号转换到时频平面上，有良好的噪声消除与突变性特征抓取能力，但是由于其变换的局限性，需要对提取层级进行设限，因此本方法设计的通用公式所计算的阈值可以保证提取层级有效性的最大化；

本发明通过设计小波能量二次分配公式与重组方程，对多层级小波进行能量二次分配与重组，由于同步压缩小波变化在提取信号特征的过程中，随着层级增加，其提取的信息能量会显著提升，而重组多层级的高频信息与低频信息可以加强信号的本质特征并弱化环境干扰特征，因此，本方法设计能量分配的通用公式与重组方程重新定义该变化为能量分配小波变换，将提取的信息进行能量计算与二次分配，实现多级重组，从而完成射频指纹提取的全过程；该方法的每一步都有通用计算公式，不会因为信号类型的变化而有效性降低，并且经过该方法提取的信号射频指纹具有对多变环境的良好适应性。

步骤3.新的信号特征表征与模式优化的残差识别网络：

新的信号特征表征：通过上述法得到的信号表征矩阵为[2*l，L]，其中L为信号SWTE变换后的矩阵列数(L即同步头长度，SWTE变换不会改变数据长度，每一层变换的近似信息与细节信息的长度都为L)，2*1为SWTE的矩阵行数，l为SWT的最大变换层级，而每一层分别含有近似信息与细节信息，因此矩阵行数为2*l。

通过模拟图像模式与残差网络学习模式，通过图5和图6可以看到信号某一层的细节信息的一维表达信息与二维表达信息有显著的不同。所以，通过模拟图像与残差网络的模式，将[2*l，L]表达式变为

/>

通过传统残差网络算法，一般采用[2*2*l，L]的表达方式，为了提高复式信号的利用效率，多出的2是将实部和虚部进行拆分表达，残差网络模型使用1维残差网络核；而通过本专利新的表达方式后，

的表达方式变成了三维表达，进一步使用二维残差网络核；本实施例中所使用的为实虚部值用模值表达，而非实虚部拆分表达，因此类比传统算法深度神经网络的容量值降低一半，更加节约资源。由于传统表达式2*2*l＜＜L，根据卷积算法的计算原理，一维残差核会导致整体残差网络利用效率低，并且极度消耗资源。应用实例残差网络对比如表2，为了对比方便，将传统方法[2*2*l，L]扩充为[1，2*2*l，L]，本实例计算的l为3，CONV2D为二维卷积网络，Norm为约束网络，防止过拟合，Block为残差网络核，MaxPooling2D为二维最大池化层，AvgPooling2D为二维平均池化层，classes为识别的类别数目。

表2传统残差网络与模式优化残差网络配置信息对比

/>

表2所阐述的残差网络模型最后连接的dense2层为线性输出层，长度值为类别数目，如果数据集为十类设备，则输出一个10维数组，选取其中最大值(argmax)为设备标签值。比如dense2输出值为[0,0,0,1,0,0,0,0,0,0],那么设备标签值为4。残差网络对比框图如图7所示。利用表2参数所设计的模式优化的方法，通过实验对比后，在信噪比低于5db后，在10类设计实验中，模式优化残差网络比传统残差网络模式高出20％准确率。具体结果如图8所示，图中左侧柱子为传统方法，右侧柱子模式优化方法。

本发明可以解决射频指纹识别中由于信号特殊格式造成的识别网络结构复杂、SEI识别效率低以及低于5db信噪比条件下识别准确率显著下降的问题；加入该步骤后，10类数据，信噪比在-5db的情况下，识别准确率由55％提升为76％；-10db的情况下，识别准确率由32.5％提升为57％。可见将二维表达的射频指纹变为三维表达后可以提高残差网络识别的准确率。

实施例2

具体的如图9所示，本实施例提供一种自适应多变干扰域的通用射频指纹提取与识别方法，包括如下步骤：

S1.将输入信号进行同步头截取，得到输入信号的同步头信号；

通用信号都具有同步头，且同步头仅作为信号到来的提示作用，并不携带任何协议信息，因此，提取同步头进行射频指纹提取与识别具有高效率、不容易被篡改的协议信息干扰的优点；

S2.基于所述同步头信号计算阈值，并基于所述阈值对所述同步头信号进行同步压缩小波变换后进行FFT变换，得到高频信息与低频信息；

通过设置小波能量变化提取层级保证SWT提取层级有效性的最大化。在保证了SWT变换的有效性基础上，具有噪声消除与突变性特征抓取能力。

S3.对所述高频信息与低频信息进行二次能量分配得到层级能量矩阵；并基于所述层级能量矩阵对所述高频信息与所述低频信息进行重组得到重组方程；将所述重组方程作为射频指纹；

通过小波能量二次分配公式与重组方程，对多层级小波进行能量二次分配与重组，解决了由于同步压缩小波变化在提取信号特征的过程中，随着层级增加，其提取的信息能量会不合理的提升问题；通过重组后的多层级的高频信息与低频信息可以加强信号的本质特征并弱化环境干扰特征；

S4.将所述射频指纹输入训练好的神经网络，得到识别结果。

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 (4)

1.一种自适应多变干扰域的通用射频指纹提取方法，其特征在于，包括如下步骤：

S1.对输入信号进行同步头截取，得到输入信号的同步头信号；

S2.对所述同步头信号进行第一层级的同步压缩小波变换，通过第一层级的小波变换能量分布结果计算第二层级；其中，第一层级的同步压缩小波变换为l层级同步压缩小波变换；

以及，基于所述第二层级对所述同步头信号进行同步压缩小波变换处理，对处理后的信号进行FFT变换，得到高频信息与低频信息；

其中，第二层级大于第一层级；

S3.对所述高频信息与低频信息进行二次能量分配得到层级能量矩阵；并基于所述层级能量矩阵对所述高频信息与所述低频信息进行重组得到重组方程；将所述重组方程作为射频指纹；

所述对所述同步头信号进行第一层级的同步压缩小波变换，包括：

同步压缩小波变化为多级变化，其中，h为细节信息提取，g为近似信息提取：

SWT₁(x(n))＝(g(x(n))，h(x(n)))＝g₁，h₁

SWT₂(x(n))＝g(g₁)，h(g₁)

…

SWT_t(x(n))＝g(g_t-1)，h(g_t-1)

能量计算公式为：

通用阈值计算公式：

σ＝4*E(SWT₁(x(n)))；

小波能量变化提取层级设为以下公式，根据该公式约定推算出l：

E(SWT_l(x(n)))≥σ；

其中，运算符“E()”为能量计算公式，运算符“SWT₁()”为一层同步压缩小波变换，x(n)为同步头信号；

自此，小波能量变化提取层级阈值计算完毕，l为第二层级，代表小波能量变化中能够信息表达最大化的最大层级，其中E、SWT以及σ都不受信号形式的局限；

所述S3，具体包括：

对根据计算阈值所提取的同步压缩变化的多层信息进行能量二次分配与重组：定义SWT′_i＝|FFT(SWT_i((x(n)))|，其中x(n)由实部与虚部构成，因此经过SWT与FFT变换后，依然是复数形式，imag代表虚部，real代表实部：

FFT(SWT_i((x(n)))＝imag*j+real

设置l为上述SWT提取的最大层级，那么有以下定义：

…

能量二次分配重定义：

根据E公式计算后表达式为：

i∈[0，l]；

由此得到了层级能量矩阵：

(E₁′，E₂′，E₃′，...，E_l′)；

根据层级能量矩阵，设置重组方程：

2.一种自适应多变干扰域的通用射频指纹识别方法，其特征在于，包括：

采用权利要求1所述的射频指纹提取方法提取射频指纹，基于所提取的射频指纹构建训练集，利用所述训练集训练神经网络，当所述神经网络满足条件收敛时，利用所述神经网络进行射频指纹的识别。

3.根据权利要求2所述的一种自适应多变干扰域的通用射频指纹识别方法，其特征在于，所述神经网络为残差网络。

4.根据权利要求3所述的一种自适应多变干扰域的通用射频指纹识别方法，其特征在于，基于所提取的射频指纹构建训练集，还包括，将表达式为[2*l，L]的二维射频指纹变换成表达式为

的三维射频指纹后构造训练集，其中L为同步头长度。/>

Images