CN115866615B - 一种基于电磁频谱特征的无线网络通联关系发现方法 - Google Patents

一种基于电磁频谱特征的无线网络通联关系发现方法 Download PDF

Info

Publication number
CN115866615B
CN115866615B CN202310159019.XA CN202310159019A CN115866615B CN 115866615 B CN115866615 B CN 115866615B CN 202310159019 A CN202310159019 A CN 202310159019A CN 115866615 B CN115866615 B CN 115866615B
Authority
CN
China
Prior art keywords
signal
radio frequency
communication
fingerprint information
frequency fingerprint
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
Application number
CN202310159019.XA
Other languages
English (en)
Other versions
CN115866615A (zh
Inventor
朱佳
杨民民
刘旭
王家俊
储钟淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310159019.XA priority Critical patent/CN115866615B/zh
Publication of CN115866615A publication Critical patent/CN115866615A/zh
Application granted granted Critical
Publication of CN115866615B publication Critical patent/CN115866615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于通信技术领域，公开了一种基于电磁频谱特征的无线网络通联关系发现方法，首先采集一定频率范围内的电磁信号，提取电磁信号中能量超过指定阈值的活跃频谱信号以及对应的射频指纹信息，并对信号特征参数做预处理；其次识别信号所隐含的射频指纹信息，并据此分析得到信号所属的设备以及无线网络的通信节点数；最后使用聚类算法进行聚类，结合射频指纹识别结果，准确判断网络节点之间的通联关系，获得通信网络的逻辑拓扑结构。本发明结合射频指纹识别方法与聚类算法，能够有效识别含有多台已知设备的无线网络通联关系。

Description

一种基于电磁频谱特征的无线网络通联关系发现方法
技术领域
本发明属于通信技术领域，具体是涉及一种基于电磁频谱特征的无线网络通联关系发现方法。
背景技术
传统的电磁频谱分析主要是信号分析、信号解密以及信息截取等方式，需要从获取的信号中提取多种信息，包括发射信号的调制方式、提取发射信息等。但是这些方式都需要尽可能地破译截获的信号，从而提取有效信息。如果研究复杂电磁环境下无线网络通信用户通联关系的过程中，通信内容是经过物理层密钥等加密技术处理的，那么破解信号内容的难度就会加大。因此，需要找到在不破解信号内容的前提下，仅利用信号展示的电磁频谱特征，发现无线网络通联关系的方法。
通联关系能够反映通信节点的行为特点以及不同通信节点之间的行为关系。现有的通联关系识别已有一些研究，例如基于频谱信号的多维特征，通过密度聚类算法获得目标区域内的通联关系；基于通断序列与图像数据的相似性，通过卷积神经网络算法实现目标通联关系的识别等；然而，这些研究没有得到确定的信号源，通联关系若发生变化，有可能将信号归类于其他未知设备，上述方法并不适用于解决无线网络通联关系动态更新的问题。
发明内容
为解决上述技术问题，本发明提供了一种基于电磁频谱特征的无线网络通联关系发现方法，该方法可检测含有多台已知设备的无线网络通联关系，并适用于无线网络通联关系动态更新的情况。
本发明所述的一种基于电磁频谱特征的无线网络通联关系发现方法，步骤为：
步骤1、采集一定频率范围内的电磁信号；
步骤2、提取电磁信号中能量超过指定阈值的活跃频谱信号以及对应的射频指纹信息，并对信号特征参数进行预处理；
步骤3、识别电磁信号所隐含的射频指纹信息，并据此分析得到信号所属的设备以及无线网络的通信节点数；
步骤4、使用聚类算法进行聚类，结合射频指纹识别结果，准确判断网络节点之间的通联关系，获得通信网络逻辑拓扑结构。
进一步的，步骤1具体为：在含有
Figure SMS_1
台已知设备的无线网络中，任意两个通信节点自主建立双向通信链路；通信双方同时发送和接收信号，并每隔一个跳频周期
Figure SMS_2
在某一频段内通过频谱感知自主生成频点参数，在感知获取的载波频率上发送电磁信号；每间隔一段时间
Figure SMS_3
，
Figure SMS_4
，在上述频段内采集电磁信号，记录每次采集电磁信号的时刻作为信号出现时刻，采集总时长记为
Figure SMS_5
。
进一步的，步骤2具体为：首先将采集的电磁信号输入自适应均衡器进行信道均衡，从而抑制多径信道衰落对射频指纹信息的不利影响；然后提取电磁信号中能量超过指定阈值的活跃频谱信号集，记为
Figure SMS_8
，其中
Figure SMS_11
表示活跃频谱信号的个数，
Figure SMS_15
表示第
Figure SMS_7
个活跃频谱信号的特征参数向量并记作为
Figure SMS_9
，式中
Figure SMS_12
表示信号中心频率，
Figure SMS_14
表示信号带宽，
Figure SMS_6
表示信号出现时刻；所提取活跃频谱信号集对应的频谱图集合记为
Figure SMS_10
，其中
Figure SMS_13
表示第
Figure SMS_16
个活跃频谱信号的射频指纹信息。
进一步的，步骤3中，识别电磁信号所隐含的射频指纹信息，并据此分析得到信号所属的设备结果以及无线网络通信节点数
Figure SMS_17
，具体为：
预先采集所述
Figure SMS_18
台已知设备的电磁信号，将各信号的射频指纹信息输入机器学习算法进行训练得到分类器；
将射频指纹信息集合
Figure SMS_21
输入机器学习算法，结合所述分类器，得到射频指纹信息集合
Figure SMS_23
中
Figure SMS_27
个图像所属的设备标签和对应的判决概率；遍历射频指纹信息集合
Figure SMS_20
，将属于同一设备的射频指纹信息记为一组，经过分组得到的数据组数即为本次的通信节点数
Figure SMS_24
；分组后的射频指纹信息集合记作为
Figure SMS_26
，其中
Figure SMS_28
表示属于第
Figure SMS_19
个通信节点的射频指纹信息集合，将
Figure SMS_22
中每个射频指纹信息对应的信号特征向量添加设备标识
Figure SMS_25
；
因此，将原始数据集
Figure SMS_29
中每个特征向量按上述方法增加对应的设备标识信息，得到一组新的频谱信号数据集，记为
Figure SMS_30
，其中
Figure SMS_31
；
Figure SMS_32
表示对原始数据集中的第
Figure SMS_33
个特征向量添加设备标识变成新的第
Figure SMS_34
个特征向量。
进一步的，步骤4具体为：使用密度聚类算法对新的频谱信号数据集
Figure SMS_35
中的特征参数进行聚类分析；
密度聚类算法将特征空间中的特征向量按密度划分为同一个簇，不需要预先指定数据集中簇的个数，聚类算法的输出为
Figure SMS_36
个聚类簇，记为
Figure SMS_37
，其中
Figure SMS_38
表示第
Figure SMS_39
个聚类簇，该簇含有
Figure SMS_40
个特征向量，记为
Figure SMS_41
；结合簇中特征向量的设备标识，得到簇所属的设备；
将属于同一设备的簇中的特征向量根据信号出现时刻进行排序；遍历排序后的特征向量，计算序号近邻的特征向量的信号出现时刻的差值，若差值的绝对值不超过采集间隔时间
Figure SMS_42
，则将近邻的特征向量归为一类，否则归为另一类；同一类特征向量表示该设备在一次通联过程中产生的数据信息；
按上述方法将每个设备的数据进行归类，并找到每一类数据的最大信号出现时刻和最小出现时刻；若有两类数据的最大信号出现时刻的差值小于给定阈值且最小信号出现时刻的差值也小于该阈值，则表示这两类数据是具有通联关系的信号簇；结合簇中特征向量的设备标识信息，得到含有
Figure SMS_43
台已知设备的无线网络通联关系，获得通信网络逻辑拓扑结构。
本发明所述的有益效果为：本发明的方法可检测含有多台已知设备的全双工无线网络的通联关系，并且该通信网络中任意两个通信节点通过频谱感知算法进行通信，即网络的通联关系可以动态更新；在不破解通信信号内容的前提下对频谱信号特征参数进行聚类分析，再结合射频指纹识别方法发现频谱信号所属信号源，有效识别含有多台已知设备的无线网络通联关系，从而获得通信网络逻辑拓扑结构。
附图说明
图1为本发明所述检测无线网络通联关系的流程图；
图2为本发明所述采集电磁信号的示意图；
图3为本发明所述聚类簇所属设备结果图；
图4为本发明所述跳频通信通联关系配对结果图。
具体实施方式
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
如图1所示，本发明的一种基于电磁频谱特征的无线网络通联关系发现方法，包括以下步骤：
步骤1：使用通用软件无线电外设（Universal Software Radio Peripheral，USRP）搭建自组织无线网络，网络中任意两个通信节点进行全双工通信，利用监测设备每间隔
Figure SMS_44
采集USRP设备发送的电磁信号；
参考图2，利用现有的USRP设备结合LabVIEW软件无线电平台搭建出由多个发射节点、接收节点组成的自组织无线网络。网络中的通信节点可任意移动且任意分布，无控制中心，所有节点地位平等，无需其他预置的网络设施。该网络中，任意两个通信节点都可以进行通信（即节点间通联关系可以发生变化），其中每对通信设备都同时发送和接收信号。具体过程为通信双方根据电磁环境在700M~720M频段进行实时频谱感知，获得频谱信息，每间隔一段时间（记为信号跳频周期
Figure SMS_45
），选择一个能量较低的中心频率（表示空闲频点）作为频点参数，在此载波频率上发送信号。采用参考时钟法与自同步法相结合的方式，对通信双方的跳频发送和接收时刻进行精确同步。具体方法是在数据包中加入变频时刻TIME字段，用于保存己方变频时刻，对方成功接收到该数据包后将此变频时刻值与本地时钟做差以确定下一次变频时刻，即下一次变频倒计时=变频时隙-（当前时刻-上次变频时刻）。分别将IP地址为192.168.10.3、192.168.10.4、192.168.10.6、192.168.10.7的USRP设备标记为
Figure SMS_46
、
Figure SMS_47
、
Figure SMS_48
、
Figure SMS_49
。表1是USRP发送射频信号基本参数设置，波形、发射天线等其他参数均采用系统默认配置。
表1 USRP基本参数设置表；
Figure SMS_50
此外，监测设备USRP-M每间隔
Figure SMS_51
采集700M~720M频段的电磁信号，同时记录每次采集的时刻作为信号出现时刻，采集总时长为
Figure SMS_52
。
步骤2：用前向反馈均衡算法对电磁信号做信道均衡，提取电磁信号中能量超过指定阈值的活跃频谱信号，并对信号特征参数进行预处理；
首先将采集的电磁信号输入自适应均衡器（以前馈均衡器为例），即输入FIR滤波器，并设置低端截止频率为700M，高端截止频率为720M，以汉明窗进行加权作为单位脉冲响应；再输入提取混合单频信息函数，输出包括
Figure SMS_54
个能量超过指定阈值的活跃频谱信号数据集，记为
Figure SMS_56
，信号对应的特征参数记为特征向量
Figure SMS_60
，其中
Figure SMS_55
表示信号中心频率，
Figure SMS_58
表示信号带宽，
Figure SMS_59
表示信号出现时刻。所提取频谱信号数据集对应的射频指纹信息集合记为
Figure SMS_61
，
Figure SMS_53
表示第
Figure SMS_57
个频谱信号数据对应的射频指纹信息。以信号的3dB带宽作为信号带宽，用提取单频信息函数找到单载波信号幅度谱中幅值下降为谱峰值的二分之根号二倍时界定的频率范围，从而得到信号带宽。
步骤3：识别信号所隐含的射频指纹信息，包括以下训练和测试过程，并据此分析得到信号所属的设备结果以及无线网络的通信节点数
Figure SMS_62
；
训练过程：预先在700M~720M频段采集上述4台已知设备的射频信号，经过FFT频谱函数转化为幅度谱，再通过写入JPEG文件函数存储为图像。每台设备采集图像数为600，存储的每张图像大小为720*240像素。按照6:1进行下采样，下采样后的图像大小为120*40像素，从而减少了图像训练的计算量，再输入卷积神经网络算法，经过多层卷积池化并进行训练得到分类器。该分类器的输出为每张图像数据判决为第
Figure SMS_63
类已知设备的概率
Figure SMS_64
，
Figure SMS_65
；
测试过程：将步骤2中所述的射频指纹信息集合
Figure SMS_66
通过写入JPEG文件函数存储为图像，存储的每张图像大小为720*240像素。按照6:1进行下采样，下采样后的图像大小为120*40像素，从而减少了图像测试的计算量。再输入上述训练完成的分类器，得到测试图像判决为已知设备的概率，以某一测试图像为例，其判决概率为
Figure SMS_67
，
Figure SMS_68
。通过公式：
Figure SMS_70
计算其对应的熵值。对所有测试图像按上述公式计算对应熵值，可以发现熵值低于设定的阈值0.5时，识别正确率可以达到99.74%，即可以正确识别出各个图像所对应的已知设备。遍历射频指纹信息集合
Figure SMS_76
，将属于同一设备的射频指纹信息记为一组，最终分成4组数据，从而获得本次通信节点数
Figure SMS_80
。分组后射频指纹信息集合为
Figure SMS_72
，以
Figure SMS_75
为例，
Figure SMS_79
，其中
Figure SMS_82
是属于
Figure SMS_69
的第
Figure SMS_73
个射频指纹信息数据，给
Figure SMS_78
中每个射频指纹信息对应的特征向量添加设备标识
Figure SMS_81
，以第
Figure SMS_71
个射频指纹信息数据对应的特征向量为例，增加设备标识后特征向量为
Figure SMS_74
。处理后频谱信号数据集为
Figure SMS_77
。表2展示了部分特征向量对应的设备标识。
表2 部分特征数据及所属设备结果参考表
Figure SMS_83
。
步骤4：使用聚类算法对信号特征参数进行聚类分析，结合射频指纹识别结果发现频谱信号所属信号源，通过通信信号特点准确判断网络节点之间的通联关系，获得通信网络逻辑拓扑结构；
使用密度聚类算法对频谱信号数据集
Figure SMS_86
中的三维特征参数即频点、带宽、出现时刻进行聚类分析，该算法需要输入两个参数，即邻域半径和邻域最小点个数，在此次聚类中分别设为2.24和43，该算法的输出为
Figure SMS_91
个聚类簇，记为
Figure SMS_94
，其中
Figure SMS_85
表示第
Figure SMS_90
个聚类簇，该簇含有
Figure SMS_95
个数据，记为
Figure SMS_97
。结合簇中特征向量的设备标识，得到簇所属设备。参考图3，标注的字母表示该簇所属设备。将属于同一设备的簇中的特征向量按信号出现时刻这个特征参数进行排序，再计算序号近邻的特征向量的信号出现时刻的差值；若差值的绝对值不超过
Figure SMS_84
，则将近邻的特征向量归为同一类，否则归为另一类。同一类特征向量表示设备在某一次通联过程中产生的数据信息。按上述方法对每个设备的数据进行归类。若有两类数据的最大信号出现时刻的差值小于给定阈值且最小信号出现时刻的差值也小于该阈值，则表示这两类数据是具有通联关系的信号簇。该阈值通常受到信号发送时延、传输时延以及接收处理时延等因素的影响。本实施实例将该阈值设置为10ms。参考图4，标注相同数字的簇表示具有通联关系的信号簇或属于同一设备的信号簇。结合簇中特征向量的设备标识，可以发现设备
Figure SMS_89
在4s~51s与设备
Figure SMS_93
具有通联关系，在51s~64s与设备
Figure SMS_96
具有通联关系；设备
Figure SMS_87
在6s~50s与设备
Figure SMS_88
具有通联关系，在52s~64s与设备
Figure SMS_92
具有通联关系。
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (2)

1.一种基于电磁频谱特征的无线网络通联关系发现方法，其特征在于，所述方法包括以下步骤：
步骤1、采集一定频率范围内的电磁信号；
步骤2、提取电磁信号中能量超过指定阈值的活跃频谱信号以及对应的射频指纹信息，并对信号特征参数进行预处理；
步骤2具体为：首先将采集的电磁信号输入自适应均衡器进行信道均衡；然后提取电磁信号中能量超过指定阈值的活跃频谱信号集，记为
Figure QLYQS_2
，其中
Figure QLYQS_6
表示活跃频谱信号的个数，
Figure QLYQS_8
表示第
Figure QLYQS_3
个活跃频谱信号的特征参数向量并记作为
Figure QLYQS_7
，式中
Figure QLYQS_9
表示信号中心频率，
Figure QLYQS_11
表示信号带宽，
Figure QLYQS_1
表示信号出现时刻；所提取活跃频谱信号集对应的射频指纹信息集合记为
Figure QLYQS_4
，其中
Figure QLYQS_5
表示第
Figure QLYQS_10
个活跃频谱信号的射频指纹信息；
步骤3、识别电磁信号所隐含的射频指纹信息，并据此分析得到信号所属的设备以及无线网络的通信节点数
Figure QLYQS_12
；具体为：
预先采集所述
Figure QLYQS_13
台已知设备的电磁信号，将各信号的射频指纹信息输入机器学习算法进行训练得到分类器；
将射频指纹信息集合
Figure QLYQS_15
输入机器学习算法，结合所述分类器，得到射频指纹信息集合
Figure QLYQS_18
中
Figure QLYQS_23
个图像所属的设备标签和对应的判决概率；遍历射频指纹信息集合
Figure QLYQS_16
，将属于同一设备的射频指纹信息记为一组，经过分组得到的数据组数即为本次的通信节点数
Figure QLYQS_19
；分组后的射频指纹信息集合记作为
Figure QLYQS_21
，其中
Figure QLYQS_22
表示属于第
Figure QLYQS_14
个通信节点的射频指纹信息集合，将
Figure QLYQS_17
中每个射频指纹信息对应的信号特征向量添加设备标识
Figure QLYQS_20
；
因此，将原始数据集
Figure QLYQS_24
中每个特征向量按上述方法增加对应的设备标识信息，得到一组新的频谱信号数据集，记为
Figure QLYQS_25
，其中
Figure QLYQS_26
；
Figure QLYQS_27
表示对原始数据集中的第
Figure QLYQS_28
个特征向量添加设备标识变成新的第
Figure QLYQS_29
个特征向量；
步骤4、使用聚类算法进行聚类，结合射频指纹识别结果，准确判断网络节点之间的通联关系，获得通信网络逻辑拓扑结构；
步骤4具体为：使用密度聚类算法对新的频谱信号数据集
Figure QLYQS_30
中的特征参数进行聚类分析；
密度聚类算法将特征空间中的特征向量按密度划分为同一个簇，不需要预先指定数据集中簇的个数，聚类算法的输出为
Figure QLYQS_31
个聚类簇，记为
Figure QLYQS_32
，其中
Figure QLYQS_33
表示第
Figure QLYQS_34
个聚类簇，该簇含有
Figure QLYQS_35
个特征向量，记为
Figure QLYQS_36
；结合簇中特征向量的设备标识，得到簇所属的设备；
将属于同一设备的簇中的特征向量根据信号出现时刻进行排序；遍历排序后的特征向量，计算序号近邻的特征向量的信号出现时刻的差值，若差值的绝对值不超过采集间隔时间
Figure QLYQS_37
，则将近邻的特征向量归为一类，否则归为另一类；同一类特征向量表示该设备在一次通联过程中产生的数据信息；
按上述方法将每个设备的数据进行归类，并找到每一类数据的最大信号出现时刻和最小出现时刻；若有两类数据的最大信号出现时刻的差值小于给定阈值且最小信号出现时刻的差值也小于该阈值，则表示这两类数据是具有通联关系的信号簇；结合簇中特征向量的设备标识信息，得到含有
Figure QLYQS_38
台已知设备的无线网络通联关系，获得通信网络逻辑拓扑结构。
2.根据权利要求1所述的一种基于电磁频谱特征的无线网络通联关系发现方法，其特征在于，步骤1具体为：在含有
Figure QLYQS_39
台已知设备的无线网络中，任意两个通信节点自主建立双向通信链路；通信双方同时发送和接收信号，并每隔一个跳频周期
Figure QLYQS_40
在某一频段内通过频谱感知自主生成频点参数，在感知获取的载波频率上发送电磁信号；每间隔一段时间
Figure QLYQS_41
，
Figure QLYQS_42
，在上述频段内采集电磁信号，记录每次采集电磁信号的时刻作为信号出现时刻，采集总时长记为
Figure QLYQS_43
。
CN202310159019.XA 2023-02-24 2023-02-24 一种基于电磁频谱特征的无线网络通联关系发现方法 Active CN115866615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310159019.XA CN115866615B (zh) 2023-02-24 2023-02-24 一种基于电磁频谱特征的无线网络通联关系发现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310159019.XA CN115866615B (zh) 2023-02-24 2023-02-24 一种基于电磁频谱特征的无线网络通联关系发现方法

Publications (2)

Publication Number Publication Date
CN115866615A CN115866615A (zh) 2023-03-28
CN115866615B true CN115866615B (zh) 2023-05-05

Family

ID=85658816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310159019.XA Active CN115866615B (zh) 2023-02-24 2023-02-24 一种基于电磁频谱特征的无线网络通联关系发现方法

Country Status (1)

Country Link
CN (1) CN115866615B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116545575A (zh) * 2023-07-03 2023-08-04 南京邮电大学 一种基于射频指纹识别的智能干扰方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855517B (zh) * 2019-10-30 2023-08-04 中国人民解放军陆军工程大学 一种从频谱数据中挖掘电台通信网络拓扑结构的方法
CN111130866A (zh) * 2019-12-15 2020-05-08 中国人民解放军陆军工程大学 基于频谱监测数据的通信网络拓扑发现方法

Also Published As

Publication number Publication date
CN115866615A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
Shen et al. Towards scalable and channel-robust radio frequency fingerprint identification for LoRa
Soltani et al. More is better: Data augmentation for channel-resilient RF fingerprinting
Ureten et al. Wireless security through RF fingerprinting
US10985955B2 (en) Method for automatically identifying modulation mode for digital communication signal
Bassey et al. Intrusion detection for IoT devices based on RF fingerprinting using deep learning
Tekbiyik et al. Multi–dimensional wireless signal identification based on support vector machines
Wang et al. A convolutional neural network-based RF fingerprinting identification scheme for mobile phones
Reus-Muns et al. Classifying UAVs with proprietary waveforms via preamble feature extraction and federated learning
Zhang et al. Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set
CN115866615B (zh) 一种基于电磁频谱特征的无线网络通联关系发现方法
Shahid et al. A convolutional neural network approach for classification of lpwan technologies: Sigfox, lora and ieee 802.15. 4g
CN111585925A (zh) 一种基于深度学习的稳健实时射频信号调制识别方法
Yu et al. Interference classification using deep neural networks
Scholl Classification of radio signals and hf transmission modes with deep learning
Saravanan et al. A supervised learning approach for differential entropy feature-based spectrum sensing
Zeng et al. Multi-channel attentive feature fusion for radio frequency fingerprinting
Wang et al. Residual learning based RF signal denoising
Bkassiny A deep learning-based signal classification approach for spectrum sensing using long short-term memory (LSTM) networks
Makled et al. Identification of cellular signal measurements using machine learning
Qian et al. Modulation classification based on cyclic spectral features and neural network
CN116996160A (zh) 基于usrp的调制信号干扰生成方法
CN117425152A (zh) 一种动态自适应的移动设备射频指纹识别方法和装置
Hazra et al. PLIO: physical layer identification using one-shot learning
He et al. Frequency hopping signal sorting based on spectrum monitoring data by adaptive dbscan
Fu et al. Spectrum sensing defending against PUE attack based on fractal dimension

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