CN115294615A - 一种基于机器学习的射频指纹识别方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的射频指纹识别方法，该方法步骤如下：收集已有设备的射频指纹；搭建神经网络结构，导入射频指纹数据训练并得出识别模型；将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果。本发明采用文件读取方式读取待识别设备的射频信号采样数据，通过神经网络对读取的数据进行判别，提取出采样数据的星座点特征，载波偏移等进行分类，实现非接触式设备身份识别与认证；每当接收到的设备射频信号发生变化时，将其处理后输入卷积神经网络，即可得到识别结果，无需重复繁琐的计算，降低了成本，且以较低的复杂度获得了较优的识别率。

Description

一种基于机器学习的射频指纹识别方法

技术领域

本发明属于无线通信技术领域，特别是一种基于机器学习的射频指纹识别方法。

背景技术

物联网应用系统的安全防护问题主要包括抗信号干扰、抗恶意入侵和通信防护三个方面。由于无线通信具有灵活组网、易于部署的特点，成为解决物联网系统“最后一公里”通信问题的首选方案。但是，无线通信系统由于其开放性，相比于传统的有线通信系统更易受到恶意的攻击。因此，设备射频指纹识别技术应运而生。

无线设备具有不同的射频指纹—即硬件的差异，这种硬件上的差异会反映在通信信号中，通过分析接收到的射频信号就可以提取出该特征。这种根据通信信号提取设备硬件特征的方法被称为“射频指纹提取”，从而利用射频指纹对不同的无线设备进行识别。该方法最早由加拿大的Hall等人在对蓝牙等无线设备的分类与识别的研究中提出，利用发射机信号的瞬态部分来唯一地识别发射机的技术，即为射频指纹识别，构建了基于射频指纹的IEEE 802.11b设备的入侵检测系统，以对抗MAC地址克隆等攻击。

然而，现有的射频指纹识别技术存在计算繁琐、成本高、识别准确率低等问题亟待解决。

发明内容

本发明的目的在于提供一种计算量小、成本低、识别率高的基于机器学习的射频指纹识别方法。

实现本发明目的的技术解决方案为：一种基于机器学习的射频指纹识别方法，步骤如下：

步骤1、收集已有设备的射频指纹；

步骤2、搭建神经网络结构，导入射频指纹数据训练并得出识别模型；

步骤3、将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果。

本发明与现有技术相比，其显著优点为：(1)通过深度学习的方法，构造训练集，训练卷积神经网络，训练好之后，每当接收到的设备射频信号发生变化时，将其处理后输入卷积神经网络，即可得到识别结果，无需重复繁琐的计算，以较低的复杂度，获得了较优的识别率；(2)在网络训练好之后，只要设备射频指纹数据库不发生变化，便无需进行新的训练；能够在不解调通信数据的前提下区分不同的无线设备，可以实现非接触式设备身份识别与认证。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明基于机器学习的射频指纹识别方法的流程框图。

图2为设备射频信号处理流程框图。

图3为设备射频指纹经过处理后输出的差分星座图。

图4为卷积神经网络结构图。

具体实施方式

本发明旨在提供一种基于机器学习的设备射频指纹识别方法，在不解调通信数据的前提下区分不同的无线设备，可以实现非接触式设备身份识别与认证；对采集到的设备射频信号进行处理，产生训练样本，组成训练集与测试集，利用原始数据产生标签，用来训练卷积神经网络，最后通过测试集给出准确度。训练好之后，使用软件将待识别的设备射频信号输入进CNN，即可得到输出，即为设备识别结果。

为实现上述目的，本发明所采用的技术方案包括：对接收到的设备射频指纹进行处理得到差分星座图，产生训练样本，组成训练集与测试集，利用原始数据产生标签。使用训练集及其标签训练卷积神经网络，使用测试集测试神经网络。

进一步地，具体过程包括：

S1.将接收到的设备射频信号进行预处理、IQ正交支路处理、延迟、差分，产生差分星座图；

S2.将差分星座图处理为二维矩阵，生成训练样本，其中90％组成训练集，10％组成测试集，并生成对应于训练集的标签；

S3.使用Keras框架，采用随机梯度下降法，引入Adam自适应学习率算法和正则化方法，搭建CNN，使用训练集及其标签训练卷积神经网络；

S4.向卷积神经网络输入处理后的设备射频信号，得到输出，即为设备识别结果。每当接收到的设备射频信号发生变化时，将其处理后输入CNN，即可得到识别结果。在CNN训练好之后，只要设备射频指纹数据库不发生变化，便无需进行新的训练。

本发明一种基于机器学习的射频指纹识别方法，步骤如下：

步骤1、收集已有设备的射频指纹；

步骤2、搭建神经网络结构，导入射频指纹数据训练并得出识别模型；

步骤3、将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果。

作为一种具体示例，步骤1所述收集已有设备的射频指纹，具体如下：

采集多个无线通信设备发出的射频信号，将原始信号经过处理得到差分星座图以提取射频指纹信息，按照不同设备区分，标记上不同的标签，将处理后的数据分类到不同文件夹下。

作为一种具体示例，步骤2中所述搭建神经网络结构，具体如下：

步骤S1、使用Keras框架，采用随机梯度下降法，引入Adam自适应学习率算法和正则化方法，搭建DNN神经网络；

步骤S2、该DNN神经网络内设有3个卷积层接1个池化层，循环4次后接3层全连接层，激活函数采用softmax函数。

作为一种具体示例，步骤2中所述导入射频指纹数据训练并得出识别模型，具体如下：

将待训练设备的射频指纹信息导入神经网络，以90％的数据为训练数据，10％为测试数据，经神经网络运算导出识别模型并给出准确率。

作为一种具体示例，步骤3所述将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果，具体如下：

收集待测设备的射频指纹信息，并导入训练好的识别模型，得出表示标签的行向量，判断其是否属于已经录入的设备，并根据准确率识别为哪一个设备。

作为一种具体示例，所述步骤1，具体如下：

在采集到设备射频信号后，首先对信号进行预处理，对信号进行能量归一化，排除发射端因发射功率不同而对信号产生的影响；

将预处理后的基带信号分为两路，一路直接送入差分模块，另一路送入I/Q两路延迟器，经过延迟器处理后进入差分模块，即在复平面上绘制出差分星座图；

得到差分星座图后，按照不同设备区分，将处理后的数据分类到不同文件夹下。

作为一种具体示例，所述步骤2，具体如下：

首先，将差分星座图处理为二维实值矩阵，将训练样本按9:1分为训练集与测试集；

记设备数为N，则生成的标签数为N，每个设备的标签为0或1，记为矩阵形式，当N＝3时，设备1的标签为[1 0 0]；

其次，使用Keras框架，采用随机梯度下降法，引入Adam自适应学习率算法和正则化方法，搭建CNN模型，使用训练集及其标签训练卷积神经网络；

CNN模型前几层采用卷积和池化层，而最后三层则采用全连接的方式，参数和权重调整采用BP算法，具体如下：

(1)卷积层卷积：在一个卷积层上，特征图由几个不同的卷积核分别与上一层的输出特征图进行卷积，之后再通过一个激活函数得到，每一个输出图是卷积多个输入图的加权和；

(2)下采样层采样：下采样层的作用是按设定比例减小与之相连的前一层输出图的维度，但不改变输出特征图的数量；

(3)反向传播BP算法调整参数：

(a)前向传播：对于多类问题，共C类，N个训练样本，代价函数用平方误差函数来表示；

(b)反向传播：反向传播误差即代价函数对权重w与偏置b的偏导数；

(4)识别率计算：输出标签值与理想标签的误差为ε，找到符合ε≤0.1的样本并统计出个数，即得到识别率correct：

correct＝∑x/M

其中，当ε≤0.1时，x取1，当ε>0.1时，x取0；分母M为总的测试数据个数。

作为一种具体示例，所述步骤3，具体如下：

将待测设备射频指纹导入训练好的识别模型进行检验，得到N维行向量M：

M＝[m₁m₂…m_N]

其中

记max{m₁m₂…m_N}＝m_k，若m_k>0.8，则该设备识别为设备k，反之则该设备不在数据库中。

下面结合附图和具体实例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

结合图1，本实施例提供一种基于深度学习的设备射频指纹识别方法。假设现有N个无线通信设备，采集到N组时长为t的设备射频信号，将接收信号输入信号处理器，产生差分星座图，输入卷积神经网络进行设备识别。

基于深度学习的设备射频指纹识别方法主要包括如下步骤：

S1：对采集到的设备射频信号进行处理，产生差分星座图。

本发明的基于CNN的射频指纹识别网络的输入是经过处理后的射频图像数据，使用的是差分星座图，而并非原始的数据点，这有利于加速CNN网络的收敛。

在采集到设备射频信号后，首先对信号进行简单的预处理，其目的主要是对信号进行能量归一化，排除发射端因发射功率不同而对信号产生的影响。将预处理后基带信号分为两路，一路直接送入差分模块，另一路送入I/Q两路延迟器，经过延迟器处理后进入差分模块，即可在复平面上绘制出稳定清晰的差分星座图。得到差分星座图后，按照不同设备区分，将处理后的数据分类到不同文件夹下。设备射频信号处理流程如图2所示，差分星座图如图3所示。

S2.将差分星座图处理为二维实值矩阵，生成训练样本，组成训练集与测试集。

首先，将差分星座图处理为二维实值矩阵，将训练样本按9:1分为训练集与测试集；

记设备数为N，则生成的标签数为N，每个设备的标签为0或1，记为矩阵形式，例如，当N＝3时，设备1的标签为[1 0 0]；

S3.使用Keras框架，采用随机梯度下降法，引入Adam自适应学习率算法和正则化方法，搭建CNN，使用训练集及其标签训练卷积神经网络。

CNN模型前几层主要采用卷积和池化层，而最后三层则采用全连接的方式，参数和权重调整采用BP算法。算法具体介绍如下：

(1)卷积层卷积：在一个卷积层上，其特征图是由几个不同的卷积核分别与上一层的输出特征图进行卷积，之后再通过一个激活函数得到，f(·)表示激活函数。每一个输出图可能是卷积多个输入图的加权和：

(2)下采样层采样：下采样层的作用是按一定比例减小与之相连的前一层输出图的维度，但不改变输出特征图的数量。其公式为：

其中down(·)表示一个下采样函数，它可使输出图像缩小n²倍。这里的激活函数与其他层的一致。

(3)反向传播BP算法调整参数：

(a)前向传播：对于多类问题，共C类，N个训练样本，代价函数用平方误差函数来表示，即：

其中，

表示第k类样本中的第n个图的理想标签值，

表示该输入图所对应的网络输出标签值。

(b)反向传播：反向传播误差即代价函数对权重w与偏置b的偏导数，参数更新定义如下所示，其中α为学习率，

(4)识别率计算：输出标签值与理想标签的误差可以表示为：ε＝||O-T||。其中，T为理想标签值。

找到符合ε≤0.1的样本并统计出个数，即可得到识别率：

correct＝∑x/M

其中，当ε≤0.1时，x取1，当ε>0.1时，x取0。分母为总的测试数据个数。

图4给出了本软件采用的具有多个隐层的CNN网络示意图，每层的激活函数均采用relu函数，最后一层采用softmax函数用于输出。

S4.向卷积神经网络输入处理后的设备射频信号和训练完成的模型，进行识别，得到N维行向量M：

M＝[m₁m₂…m_N]

其中

记max{m₁m₂…m_N}＝m_k，若m_k>0.8，则该设备识别为设备k，反之则该设备不在数据库中。

Claims (8)

1.一种基于机器学习的射频指纹识别方法，其特征在于，步骤如下：

步骤1、收集已有设备的射频指纹；

步骤2、搭建神经网络结构，导入射频指纹数据训练并得出识别模型；

步骤3、将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果。

2.根据权利要求1所述的基于机器学习的射频指纹识别方法，其特征在于，步骤1所述收集已有设备的射频指纹，具体如下：

采集多个无线通信设备发出的射频信号，将原始信号经过处理得到差分星座图以提取射频指纹信息，按照不同设备区分，标记上不同的标签，将处理后的数据分类到不同文件夹下。

3.根据权利要求1所述的基于机器学习的射频指纹识别方法，其特征在于，步骤2中所述搭建神经网络结构，具体如下：

步骤S1、使用Keras框架，采用随机梯度下降法，引入Adam自适应学习率算法和正则化方法，搭建DNN神经网络；

步骤S2、该DNN神经网络内设有3个卷积层接1个池化层，循环4次后接3层全连接层，激活函数采用softmax函数。

4.根据权利要求1所述的基于机器学习的射频指纹识别方法，其特征在于，步骤2中所述导入射频指纹数据训练并得出识别模型，具体如下：

将待训练设备的射频指纹信息导入神经网络，以90％的数据为训练数据，10％为测试数据，经神经网络运算导出识别模型并给出准确率。

5.根据权利要求1所述的基于机器学习的射频指纹识别方法，其特征在于，步骤3所述将待测设备射频指纹导入训练好的识别模型进行检验，得出识别结果，具体如下：

收集待测设备的射频指纹信息，并导入训练好的识别模型，得出表示标签的行向量，判断其是否属于已经录入的设备，并根据准确率识别为哪一个设备。

6.根据权利要求2所述的基于机器学习的射频指纹识别方法，其特征在于，所述步骤1，具体如下：

在采集到设备射频信号后，首先对信号进行预处理，对信号进行能量归一化，排除发射端因发射功率不同而对信号产生的影响；

将预处理后的基带信号分为两路，一路直接送入差分模块，另一路送入I/Q两路延迟器，经过延迟器处理后进入差分模块，即在复平面上绘制出差分星座图；

得到差分星座图后，按照不同设备区分，将处理后的数据分类到不同文件夹下。

7.根据权利要求6所述的基于机器学习的射频指纹识别方法，其特征在于，所述步骤2，具体如下：

首先，将差分星座图处理为二维实值矩阵，将训练样本按9:1分为训练集与测试集；

记设备数为N，则生成的标签数为N，每个设备的标签为0或1，记为矩阵形式，当N＝3时，设备1的标签为[1 0 0]；

其次，使用Keras框架，采用随机梯度下降法，引入Adam自适应学习率算法和正则化方法，搭建CNN模型，使用训练集及其标签训练卷积神经网络；

CNN模型前几层采用卷积和池化层，而最后三层则采用全连接的方式，参数和权重调整采用BP算法，具体如下：

(1)卷积层卷积：在一个卷积层上，特征图由几个不同的卷积核分别与上一层的输出特征图进行卷积，之后再通过一个激活函数得到，每一个输出图是卷积多个输入图的加权和；

(2)下采样层采样：下采样层的作用是按设定比例减小与之相连的前一层输出图的维度，但不改变输出特征图的数量；

(3)反向传播BP算法调整参数：

(a)前向传播：对于多类问题，共C类，N个训练样本，代价函数用平方误差函数来表示；

(b)反向传播：反向传播误差即代价函数对权重w与偏置b的偏导数；

(4)识别率计算：输出标签值与理想标签的误差为ε，找到符合ε≤0.1的样本并统计出个数，即得到识别率correct：

correct＝∑x/M

其中，当ε≤0.1时，x取1，当ε>0.1时，x取0；分母M为总的测试数据个数。

8.根据权利要求7所述的基于机器学习的射频指纹识别方法，其特征在于，所述步骤3，具体如下：

将待测设备射频指纹导入训练好的识别模型进行检验，得到N维行向量M：

M＝[m₁m₂…m_N]

其中

记max{m₁m₂…m_N}＝m_k，若m_k>0.8，则该设备识别为设备k，反之则该设备不在数据库中。

Images