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 PDFInfo
- 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
Links
- 230000006854 communication Effects 0.000 title claims abstract description 80
- 238000004891 communication Methods 0.000 title claims abstract description 78
- 238000001228 spectrum Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 46
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000007175 bidirectional communication Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005336 cracking Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
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,,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。
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,其中表示活跃频谱信号的个数,表示第个活跃频谱信号的特征参数向量并记作为,式中表示信号中心频率,表示信号带宽,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,其中表示第个活跃频谱信号的射频指纹信息。
将射频指纹信息集合输入机器学习算法,结合所述分类器,得到射频指纹信息集合中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,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;分组后的射频指纹信息集合记作为,其中表示属于第个通信节点的射频指纹信息集合,将中每个射频指纹信息对应的信号特征向量添加设备标识;
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,聚类算法的输出为个聚类簇,记为,其中表示第个聚类簇,该簇含有个特征向量,记为;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,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),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、、、。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;
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,输出包括个能量超过指定阈值的活跃频谱信号数据集,记为,信号对应的特征参数记为特征向量,其中表示信号中心频率,表示信号带宽,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,表示第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。
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类已知设备的概率,;
测试过程:将步骤2中所述的射频指纹信息集合通过写入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,。通过公式:
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,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。分组后射频指纹信息集合为,以为例,,其中是属于的第个射频指纹信息数据,给中每个射频指纹信息对应的特征向量添加设备标识,以第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。处理后频谱信号数据集为。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
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,该算法的输出为个聚类簇,记为,其中表示第个聚类簇,该簇含有个数据,记为。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,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,可以发现设备在4s~51s与设备具有通联关系,在51s~64s与设备具有通联关系;设备在6s~50s与设备具有通联关系,在52s~64s与设备具有通联关系。
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,其中表示活跃频谱信号的个数,表示第个活跃频谱信号的特征参数向量并记作为,式中表示信号中心频率,表示信号带宽,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,其中表示第个活跃频谱信号的射频指纹信息;
将射频指纹信息集合输入机器学习算法,结合所述分类器,得到射频指纹信息集合中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,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;分组后的射频指纹信息集合记作为,其中表示属于第个通信节点的射频指纹信息集合,将中每个射频指纹信息对应的信号特征向量添加设备标识;
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;
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,聚类算法的输出为个聚类簇,记为,其中表示第个聚类簇,该簇含有个特征向量,记为;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,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;
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)
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)
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 |
-
2023
- 2023-02-24 CN CN202310159019.XA patent/CN115866615B/zh active Active
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 |