CN116132991A - Rke系统的射频指纹认证方法、装置及存储介质 - Google Patents

Rke系统的射频指纹认证方法、装置及存储介质 Download PDF

Info

Publication number
CN116132991A
CN116132991A CN202211542766.3A CN202211542766A CN116132991A CN 116132991 A CN116132991 A CN 116132991A CN 202211542766 A CN202211542766 A CN 202211542766A CN 116132991 A CN116132991 A CN 116132991A
Authority
CN
China
Prior art keywords
radio frequency
signal
determining
frequency fingerprint
rke system
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.)
Pending
Application number
CN202211542766.3A
Other languages
English (en)
Inventor
黄杰
王唯尊
胡爱群
俞佳宝
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.)
Network Communication and Security Zijinshan Laboratory
Original Assignee
Network Communication and Security Zijinshan Laboratory
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 Network Communication and Security Zijinshan Laboratory filed Critical Network Communication and Security Zijinshan Laboratory
Priority to CN202211542766.3A priority Critical patent/CN116132991A/zh
Publication of CN116132991A publication Critical patent/CN116132991A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/60—Context-dependent security
    • H04W12/69—Identity-dependent
    • H04W12/79—Radio fingerprint
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • 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

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Lock And Its Accessories (AREA)

Abstract

本发明提供一种RKE系统的射频指纹认证方法、装置及存储介质，所述方法包括：对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；基于目标分类算法，对所述射频指纹进行认证。本发明提供的RKE系统的射频指纹认证方法，通过对射频信号进行预处理得到前导信号，并提取前导信号的载波频偏，包络功率谱，以及自适应滤波器的系数，得到射频指纹，根据射频指纹进行认证，可以有效地区分恶意解锁请求和合理解锁请求，防止汽车盗窃的发生，提高了RKE系统的安全性。

Description

RKE系统的射频指纹认证方法、装置及存储介质
技术领域
本发明涉及信息安全技术领域，尤其涉及一种RKE系统的射频指纹认证方法、装置及存储介质。
背景技术
由于物理钥匙存在易复制的缺点，无钥匙进入(Remote Keyless Entry，RKE)已逐渐进入大众的生活，司机只需按下一个按钮即可达到解锁开车的目的。RKE系统由接收控制器和发射器组成，发射器以车钥匙的形式由用户携带，接收控制器往往安装在车上。用户每次按下解锁键，车钥匙便会发送数据至发射机，发射机再以射频信号的形式将信号发射出去。车辆里的接收控制器捕捉射频信号后进行解调和解密，根据解密结果判断射频信号是否由合法的车钥匙发出，若此信号是合法信号，再将译码得出的指令发送到指令模块。
汽车制造商利用滚动码和keeloq、hitag等加密算法进行合法验证提高安全性，但仍然无法阻挡中继攻击、加密算法破解等攻击手段。网络安全攻击有效的根本原因在于遥控钥匙发出的射频信号可以被转发放大或者重放，导致即使经过身份验证或加密等环节，仍然无法阻挡攻击的发生。
发明内容
本发明提供一种RKE系统的射频指纹认证方法、装置及存储介质，用以解决现有技术中RKE系统易受到网络攻击的缺陷，实现提高RKE系统的安全性。
本发明提供一种RKE系统的射频指纹认证方法，包括：
对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；
基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；
基于目标分类算法，对所述射频指纹进行认证。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
确定所述前导信号对应的估计自相关函数；
基于所述估计自相关函数和抛物线开窗函数，对所述前导信号进行加权，确定所述前导信号的最大似然估计；
基于所述最大似然估计，确定所述载波频偏。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
对所述前导信号进行频偏补偿和差分处理；
提取经过频偏补偿和差分处理后的前导信号的包络；
基于所述包络，确定所述包络功率谱。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
将所述前导信号中全为正弦波的部分，确定为输入信号；
基于所述输入信号，确定对应的期望信号；所述期望信号为幅值为1的正弦波，并与所述输入信号同步；
将所述输入信号和所述期望信号输入自适应滤波器中，在误差趋于收敛的情况下，确定所述自适应滤波器的系数。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之后，还包括：
基于预设分类算法对所述射频指纹进行识别，确定所述预设分类算法的识别准确率；
基于所述识别准确率，从所述预设分类算法中确定所述目标分类算法。
在一些实施例中，所述对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号，包括：
对所述射频信号进行去噪处理；
基于去噪后的射频信号，确定所述前导信号。
本发明还提供一种RKE系统的射频指纹认证装置，包括：
处理模块，用于对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；
第一确定模块，用于基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；
认证模块，用于基于目标分类算法，对所述射频指纹进行认证。
在一些实施例中，还包括：
第二确定模块，用于：
确定所述前导信号对应的估计自相关函数；
基于所述估计自相关函数和抛物线开窗函数，对所述前导信号进行加权，确定所述前导信号的最大似然估计；
基于所述最大似然估计，确定所述载波频偏。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述RKE系统的射频指纹认证方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述RKE系统的射频指纹认证方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述RKE系统的射频指纹认证方法。
本发明提供的RKE系统的射频指纹认证方法、装置及存储介质，通过对射频信号进行预处理得到前导信号，并提取前导信号的载波频偏，包络功率谱，以及自适应滤波器的系数，得到射频指纹，根据射频指纹进行认证，可以有效地区分恶意解锁请求和合理解锁请求，防止汽车盗窃的发生，提高了RKE系统的安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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RKE系统的射频指纹认证方法的流程示意图；
图2是本发明实施例提供的载波频偏产生的示意图；
图3是本发明实施例提供的车钥匙1发出的射频信号的时域图；
图4是本发明实施例提供的车钥匙2发出的射频信号的时域图；
图5是本发明实施例提供的是前导信号包络功率谱的化简示意图；
图6是本发明实施例提供的RKE系统射频指纹提取与认证的架构示意图；
图7是本发明实施例提供的不同车钥匙的载波频偏示意图；
图8是本发明实施例提供的同一把钥匙不同环境下的载波频偏示意图；
图9是本发明实施例提供的不同钥匙前导信号包络功率谱的散点图；
图10是本发明实施例提供的自适应滤波输入信号和期望信号的示意图；
图11是本发明实施例提供的不同钥匙自适应滤波的散点图；
图12是本发明实施例提供的信号识别的结果示意图；
图13是本发明实施例提供的RKE系统的射频指纹认证装置的结构示意图；
图14是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的RKE系统的射频指纹认证方法的流程示意图，参照图1，本发明实施例提供的RKE系统的射频指纹认证方法，可以包括：
步骤101、对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；
步骤102、基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；
步骤103、基于目标分类算法，对所述射频指纹进行认证。
需要说明的是，本发明提供的RKE系统的射频指纹认证方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personalcomputer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。
通过分析无线设备的通信信号来提取射频指纹进行设备识别是一种保护通信系统安全的物理层方法。如同每个人都有不同的指纹，每个设备也有不同的射频指纹，射频指纹具有难以复制和克隆的特点。
由于模拟器件的容差是发射机射频指纹的主要来源，无论是集成电路还是非集成电路，其本质都是由电子元器件构成的，电子元器件的容差导致最终的器件存在容差效应，这些硬件容差就是产生射频指纹的物质基础，也是射频指纹难以复制和克隆的原因。射频指纹可以反映在通信信号中，通过分析接收到的射频信号可以提取该信号的特征，形成射频指纹。
因此，可以使用电路容差效应作为射频指纹对设备进行识别。此特征往往来源于制造容差和漂移容差两个方面。
制造容差是指在元件生产过程中因为设备的材料和加工工艺误差，导致电子元器件的电参数与标称值存在一定的容差制造容差值，容差值越小，生产成本也就越高。
漂移容差主要是指由于时间积累引起的器件参数的退化老化效应。此外，还包括由于设备工作环境的变化，如温度、湿度等因素变化导致设备工作过程中元件参数值的变化。
这将导致每个设备的射频指纹都是独一无二且难以复制的，可以用来对设备进行认证。
在步骤101中，对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号。
射频信号是在RKE系统中采集到的，例如可以是同一车型的不同的车钥匙发出的。对采集的大量射频信号进行预处理，可以得到射频信号的前导信号。
在一些实施例中，所述对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号，包括：
对所述射频信号进行去噪处理；
基于去噪后的射频信号，确定所述前导信号。
可选地，可采用通用软件无线电外设(Universal Software Radio Peripheral，USRP)采集不同车钥匙发出的射频信号。
射频信号的公式如下：
Figure BDA0003978466000000071
其中，S(k)为采集的射频信号，Δf为接收器本地频率与载波频率的差，Ts为符号周期，θ为载波的初始相位，n(t)为信道噪声，N为采样数，k为变量，k的取值范围为(0，N-1)。
可以通过设计带通滤波器来消除噪声的影响，并从射频信号中截取前导部分，这一系列的操作统称为信号的预处理。
经过预处理后，得到的前导信号的公式如下：
Figure BDA0003978466000000072
其中，r(k)为前导信号，Δf为接收器本地频率与载波频率的差，Ts为符号周期，θ为载波的初始相位，n(t)为信道噪声，N为采样数，k为变量，k的取值范围为(0，N-1)。
在步骤102中，基于所述前导信号的目标特征，确定射频指纹。
目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数。
可以提取前导信号的载波频偏，包络功率谱，以及自适应滤波器的系数等特征，通过综合该三个特征，可以形成多维度的射频指纹。
在步骤103中，基于目标分类算法，对所述射频指纹进行认证。
目标分类算法可以是预先确定的算法，例如可以是：决策树算法、支持向量机算法或K邻近分类算法等。
确定射频指纹之后，可通过目标分类算法对射频信号的来源进行识别，根据识别的准确率，对射频指纹进行认证，从而可以判断射频指纹识别的可靠性。
本发明实施例提供的RKE系统的射频指纹认证方法，通过对射频信号进行预处理得到前导信号，并提取前导信号的载波频偏，包络功率谱，以及自适应滤波器的系数，得到射频指纹，根据射频指纹进行认证，可以有效地区分恶意解锁请求和合理解锁请求，防止汽车盗窃的发生，提高了RKE系统的安全性。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
确定所述前导信号对应的估计自相关函数；
基于所述估计自相关函数和抛物线开窗函数，对所述前导信号进行加权，确定所述前导信号的最大似然估计；
基于所述最大似然估计，确定所述载波频偏。
无线通信中，载波频偏大多来源于多普勒效应和发射机、接收机之间的载波差，属于难以复制的硬件特征。可以通过Correlation-Based Estimation算法计算不同车钥匙对应的前导信号的载波频偏，作为组成射频指纹的特征之一。
发射机载波f′c和接收机载波f″c由各自射频硬件电路上的晶振源提供，由于是两个独立不同源的器件，导致接收信号载波与本地载波之间不可避免地存在一定频差(f′c-f″c)，如图2所示，图2是本发明实施例提供的载波频偏产生的示意图。
同理，每把车钥匙都有独特的载波频偏，该频率偏差来源于硬件，难以复制与仿造，可以体现在车钥匙发出的射频信号中。
利用Correlation-Based Estimation算法计算频偏，具体过程如下：
已知去噪后得到的前导信号为r(k)，载波频率偏移的最大似然估计(MaximumLikelihood Estimation，ML)等同于寻求似然函数的最大值。
经过简化后，该问题被表示为离散傅里叶变换，用抛物线开窗函数加权，表示为：
Figure BDA0003978466000000091
其中，k(N-k)为抛物线开窗函数，k为变量，k的取值范围为(0，N-1)，N为采样数，R(k)为前导信号r(k)的估计自相关函数，Δf为接收器本地频率与载波频率的差，Ts为符号周期。
R(k)的计算公式如下：
Figure BDA0003978466000000092
其中，i和k为变量，k的取值范围为(0，N-1)，N为采样数，r(i)为i时刻的前导信号，r*(i-k)为i-k时刻的前导信号的共轭。
k(N-k)为抛物线开窗函数，当k＝0或k接近N时，R(k)计算得到的值将比较小。因此，抛物线开窗函数可以表示为k＝1，2，3……L，L＜N-1的矩形序列。其结果是一个修正的ML估计策略，表示为：
Figure BDA0003978466000000093
其中，R(k)为前导信号r(k)的估计自相关函数，k为变量，Ts为符号周期，
Figure BDA0003978466000000094
为载波频偏的最大似然估计。
Figure BDA0003978466000000095
的估计表示为：
Figure BDA0003978466000000101
其中，fsample为采样频率，R(k)为前导信号r(k)的估计自相关函数，arg表示求取角度函数，L的计算公式如下：
Figure BDA0003978466000000102
其中，fmax为最大预期载波偏移，round为求取最近的整数函数，实验表明当L≥7时，求取效果较好。
本发明实施例提供的RKE系统的射频指纹认证方法，通过将前导信号的载波频偏作为确定射频指纹的目标特征之一，载波频偏来源于硬件，具有难以复制与仿造的特性，从而提高了RKE系统的射频指纹认证的安全性。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
对所述前导信号进行频偏补偿和差分处理；
提取经过频偏补偿和差分处理后的前导信号的包络；
基于所述包络，确定所述包络功率谱。
可选地，将不同钥匙发出的射频信号的时域图进行对比。例如，图3是本发明实施例提供的车钥匙1发出的射频信号的时域图，图4是本发明实施例提供的车钥匙2发出的射频信号的时域图。将图3和图4进行对比，发现钥匙1的上升沿处出现较为显著的尖峰，意味着钥匙1的瞬态响应较为明显，尝试提取信号包络，计算包络功率谱得到特征。
由欧拉公式可知，信号包络，即实数部分受Δf和θ影响，需要对信号进行频偏补偿和差分处理，Δf为载波频率偏移，θ为相位偏移。
差分处理环节如下：取信号r(k)和r*(k+T)相乘，将相位对包络的影响变成相位差对包络的影响，具体公式如下所示：
Figure BDA0003978466000000103
其中，r(k)为前导信号，r*(k+T)为前导信号的共轭，Δf为接收器本地频率与载波频率的差，Ts为符号周期，θ为载波的初始相位，k为变量，T为时间间隔。
需要注意的是应当取相同的时间间隔T就能保证相同的相位差。
提取经过频偏补偿和差分处理后的前导信号的包络并计算其包络的功率谱。选择功率谱主瓣和旁瓣对应的频率值作为特征，为了降低特征维度，减少冗余和计算量，利用功率谱对称的特性，选择主瓣和左侧旁瓣对应的频率大小。图5是本发明实施例提供的是前导信号包络功率谱的化简示意图，如图5所示，三个箭头所指向的3个频率值，即可以作为特征值。
本发明实施例提供的RKE系统的射频指纹认证方法，通过将前导信号的包络功率谱作为确定射频指纹的目标特征之一，进一步提高了RKE系统的射频指纹认证的安全性。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
将所述前导信号中全为正弦波的部分，确定为输入信号；
基于所述输入信号，确定对应的期望信号；所述期望信号为幅值为1的正弦波，并与所述输入信号同步；
将所述输入信号和所述期望信号输入自适应滤波器中，在误差趋于收敛的情况下，确定所述自适应滤波器的系数。
可选地，利用自适应滤波器估计未知系统的特征，即根据系统输入和输出信号估计系统的传递函数以及特性。
截取信号中全为正弦波的部分作为输入信号，根据输入信号的频谱特点产生幅度为1，与输入信号完全同步的期望信号以进行自适应滤波。调节自适应滤波器的阶数和步长，当期望信号和输出信号之间的误差趋于收敛时，此时滤波器的系数即为信号的特征。
利用自适应滤波器估计未知系统的特征，本质上是根据系统的输入和输出信号来估计系统的传递函数以及特性。其原理如下：输入信号x(n)通过参数可调数字滤波器后产生输出信号y(n)，将其与期望信号d(n)进行比较，形成误差信号e(n)，通过自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。
该方法利用前一时刻已得的滤波器参数，自动调节当前时刻的滤波器参数，以适应信号和噪声未知的统计特性，从而实现最优滤波。此时得到的滤波器系数可以反应钥匙的硬件特征，即为射频指纹。具体步骤如下：
输入：
采集到的传输信号x(n)，期望信号d(n)，
滤波器系数M，进步步长μ；
输出：
滤波器输出系数
Figure BDA0003978466000000121
步骤1、取值
Figure BDA0003978466000000122
k＝M；
步骤2、当k≤Length{x(n)}开始循环
步骤3、
Figure BDA0003978466000000123
步骤4、
Figure BDA0003978466000000124
步骤5、e(n)＝d(n)-ωT(n)x(n)；
步骤6、
Figure BDA0003978466000000125
步骤7、k＝k+1；
步骤8、结束循环；
步骤9、返回滤波器输出系数
Figure BDA0003978466000000126
其中，d(n)为期望信号，x(n)为采集信号，M为滤波器系数，μ为进步步长，
Figure BDA0003978466000000127
为滤波器的输出系数，k为循环变量，e(n)为误差函数，当e(n)趋近于0的时候便达到了最佳滤波状态。
截取信号中全为正弦波的部分作为输入信号x(n)，根据输入信号的频谱特点产生期望信号d(n)以进行自适应滤波。注意产生的期望信号应是幅值为1的正弦波并与输入信号完全同步。
本发明实施例提供的RKE系统的射频指纹认证方法，通过将自适应滤波器的系数作为确定射频指纹的目标特征之一，进一步提高了RKE系统的射频指纹认证的安全性。
在一些实施例中，所述基于所述前导信号的目标特征，确定射频指纹之后，还包括：
基于预设分类算法对所述射频指纹进行识别，确定所述预设分类算法的识别准确率；
基于所述识别准确率，从所述预设分类算法中确定所述目标分类算法。
可选地，利用上述特征形成的多维度射频指纹，选择常见的分类算法如决策树算法、支持向量机算法、K邻近分类算法对射频信号的来源进行识别，利用k-fold交叉验证方法防止过度学习，再根据识别的准确性选择最合适的算法作为目标分类算法。
为了确保没有过度学习，采用了k-fold交叉验证法，将测试信号集分为k个不相交的子集，其中一个子集用于训练，其余的k-1个子集用于测试，以避免过度学习。
决策树是一种非参数监督学习方法，它通过分层递进的属性判断将特征空间划分为有限数量的互不相干的子区域，决策树模型对属于同一子区域的样本给出相同的预测值。
支持向量机(Support Vector Machine，SVM)用于寻找超平面，根据正反两方面的例子分割样本。支持向量机首先在低维空间完成计算，然后通过核函数将输入空间映射到高维特征空间，最后在高维特征空间构建最优分离超平面，从而将平面上不能很好分离的非线性数据自行分离。
K-近邻算法(K-Nearest Neighbour algorithm，KNN)的核心思想是，如果特征空间中大多数相邻的K个样本都属于某一类别，那么该样本也属于同一类别，并具有该类别的特征。KNN算法只根据最近的K个样本的类别来对样本进行分类。
针对RKE系统的多种攻击方式，包括重放攻击、密码学攻击等。目前常用的解决方法为射频距离边界协议，通过测量射频信号的飞行时间测算发射信号设备的距离，判断该设备是否在验证者合法的距离范围之内。在假设信号以光速传播的前提下，该距离边界协议对时间误差高度敏感。此这方法要求RKE系统采用全新的通信系统来实现射频距离边界协议，显然难度较大且花费时间较长。
与上述方法相比，本发明实施例提供的方法可以直接应用于现有系统，只需添加一个钥匙采集超高频(Ultra High Frequency，UHF)频段射频信号并对其进行分析，无需对钥匙硬件进行任何修改，更加方便且花费更少。
下面结合具体场景，对本发明实施例提供的RKE系统的射频指纹认证方法进行详细描述。
以现有的某车型为例，选择3把能够解锁的车钥匙进行研究，最终实现判断射频信号来源的目的，能够作为汽车辅助认证系统。
图6是本发明实施例提供的RKE系统射频指纹提取与认证的架构示意图，如图6所示，其架构的具体实现步骤如下：
步骤1、用USRP，借助GNU-RADIO平台采集3把车钥匙发出的射频信号，设置采集的信号频率为315MHz，采样频率为2M。
离USRP信号一定距离，从各个角度按下车钥匙的解锁键，采集射频信号后用MATLAB软件读取设别，并且信号数据以.mat文件的形式存储在数据终端中，每把钥匙各采集200组信号，共计600组信号用于实验。
步骤2、观察射频信号的频谱图，根据频谱图的特征设置合适的通带以设计带通滤波器对信号进行滤波，从而实现去噪的效果。同时再将信号的前导部分切割出来以便后续提取特征。
步骤3、根据上述方法提取不同车钥匙前导信号的特征：载波频偏、前导信号包络功率谱和自适应滤波器的系数。
步骤3.1、图7是本发明实施例提供的不同车钥匙的载波频偏示意图，图8是本发明实施例提供的同一把钥匙不同环境下的载波频偏示意图。
计算3把钥匙前导信号的载波频偏如图7所示，钥匙1发出的信号的频偏在-150kHz左右进行微小波动，同样钥匙2、钥匙3信号的频偏分别在-117kHz和-113kHz范围进行波动。
但是不同环境采集信号的频偏大小有些许不同，如图8所示，在实验室采集钥匙1信号的频偏大小在-150kHz附近变化，但是在会议室采集的同一把钥匙信号频偏大小却在-154kHz附近变化。说明载波频偏这一特征受环境影响，稳定性不强，需要寻找其他特征进行辅助。
步骤3.2、紧接着将前导信号进行频偏补偿和差分处理，提取其包络计算功率谱，画出散点图。图9是本发明实施例提供的不同钥匙前导信号包络功率谱的散点图，如图9所示，其中星形代表钥匙1，方形代表钥匙2，而圆形代表钥匙3。
从图9中可以看出，钥匙1的频率值在[-7900，-2650，0]和[-8000，2750，-120]之间波动，而对应于钥匙2和钥匙3的功率谱的频率值都在[-7700，-2550，0]和[-7800，-2650，-11]之间振荡，这意味着钥匙2和钥匙3的点大部分重叠，识别率将会大大降低。原因可能是钥匙2和钥匙3来源于同一厂家、同一批次，它们发出的射频信号在时域上存在高度相似的特征，因此还需要寻找其他特征对钥匙识别进行辅助。
步骤3.3、利用最小均方自适应滤波器提取信号特征。在使用此方法之前，需要产生期望信号，且期望信号需要与输入信号实现严格意义上的同步，不然误差函数就无法收敛。截取信号中全为正弦波的部分作为输入信号x(n)，根据输入信号的频谱特点产生期望信号d(n)以进行自适应滤波。图10是本发明实施例提供的自适应滤波输入信号和期望信号的示意图，如图10所示，幅度较低的正弦波代表输入信号，幅值较高且稳定在1的正弦波代表期望信号。
产生的期望信号应满足以下两个要求：一是与输入信号相似，期望信号应是幅值为1的正弦波；二是期望信号需要与输入信号完全同步，即同时取到最值也同时取到零。
将输入信号和期望信号输入自适应滤波器，调整滤波器的阶数和步长使得误差收敛，最终得到的滤波器系数即为信号的特征，其散点图如图11所示，图11是本发明实施例提供的不同钥匙自适应滤波的散点图，其中星形代表钥匙1，方形代表钥匙2，而圆形代表钥匙3。
步骤3.4、将载波频偏、前导信号包络功率谱和自适应滤波器系数综合考虑，形成多维的射频指纹。再选用常见的分类算法对信号来源进行识别，将上述三个特征放入同一向量作为分类算法的输入。最后根据识别准确率的高低选择出最合适的分类算法。
决策树、SVM和KNN算法的识别准确率分别为97.2％，99.3％和96％。选择识别效果最佳的SVM算法为例，分析结果。图12是本发明实施例提供的信号识别的结果示意图，混淆矩阵如图12所示。
混淆矩阵中，对角线的方块代表正确识别的信号，其余方块代表错误识别。每一行显示了对应钥匙的认假率(False Accept Rate，FAR)，也叫误判率，指的是“把不应该匹配的指纹当成匹配的指纹”的概率，通常是指将其他钥匙被误认为正确钥匙的概率。
以第二行为例，1代表钥匙1发出的信号被误认为是钥匙2发出的信号数量，198代表成功识别钥匙2发出的信号数量，0代表钥匙3发出的信号被误认为是钥匙2发出的信号数量，钥匙2总体上的认假率是99.5％。
同样地，每一列显示了对应钥匙的拒真率(False Reject Rate，FRR)，指的是“把应该相互匹配成功的指纹当成不能匹配的指纹”的概率，也就是已经登记的设备自己和自己比不认可的概率。
如图12所示，使用多个特征形成的射频指纹可以有效的区分钥匙1与钥匙2和钥匙3，且识别的准确率高达99.3％，进一步证明了该方法的有效性。
本发明实施例提供的射频指纹认证方法，可以利用射频指纹识别技术有效地区分恶意解锁请求和合理解锁请求，防止汽车盗窃的发生。此方法可以直接应用于现有系统，无需对关键硬件进行任何修改，只需添加捕获UHF波段射频信号并进行分析的组件即可，更加方便且花费更少。
下面对本发明提供的RKE系统的射频指纹认证装置进行描述，下文描述的RKE系统的射频指纹认证装置与上文描述的RKE系统的射频指纹认证方法可相互对应参照。
图13是本发明实施例提供的RKE系统的射频指纹认证装置的结构示意图，参照图13，本发明实施例提供的RKE系统的射频指纹认证装置，可以包括：
处理模块1310，用于对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；
第一确定模块1320，用于基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；
认证模块1330，用于基于目标分类算法，对所述射频指纹进行认证。
本发明实施例提供的射频指纹认证装置，通过对射频信号进行预处理得到前导信号，并提取前导信号的载波频偏，包络功率谱，以及自适应滤波器的系数，得到射频指纹，根据射频指纹进行认证，可以有效地区分恶意解锁请求和合理解锁请求，防止汽车盗窃的发生，提高了RKE系统的安全性。
可选地，还包括：第二确定模块，用于：
确定所述前导信号对应的估计自相关函数；
基于所述估计自相关函数和抛物线开窗函数，对所述前导信号进行加权，确定所述前导信号的最大似然估计；
基于所述最大似然估计，确定所述载波频偏。
可选地，还包括：第三确定模块，用于：
对所述前导信号进行频偏补偿和差分处理；
提取经过频偏补偿和差分处理后的前导信号的包络；
基于所述包络，确定所述包络功率谱。
可选地，还包括：第四确定模块，用于：
将所述前导信号中全为正弦波的部分，确定为输入信号；
基于所述输入信号，确定对应的期望信号；所述期望信号为幅值为1的正弦波，并与所述输入信号同步；
将所述输入信号和所述期望信号输入自适应滤波器中，在误差趋于收敛的情况下，确定所述自适应滤波器的系数。
可选地，还包括：第五确定模块，用于：
基于预设分类算法对所述射频指纹进行识别，确定所述预设分类算法的识别准确率；
基于所述识别准确率，从所述预设分类算法中确定所述目标分类算法。
可选地，所述处理模块1310，具体用于：
对所述射频信号进行去噪处理；
基于去噪后的射频信号，确定所述前导信号。
图14示例了一种电子设备的实体结构示意图，如图14所示，该电子设备可以包括：处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430和通信总线1440，其中，处理器1410，通信接口1420，存储器1430通过通信总线1440完成相互间的通信。处理器1410可以调用存储器1430中的逻辑指令，以执行RKE系统的射频指纹认证方法，该方法包括：对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；基于目标分类算法，对所述射频指纹进行认证。
此外，上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的RKE系统的射频指纹认证方法，该方法包括：对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；基于目标分类算法，对所述射频指纹进行认证。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的RKE系统的射频指纹认证方法，该方法包括：对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；基于目标分类算法，对所述射频指纹进行认证。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种RKE系统的射频指纹认证方法，其特征在于，包括：
对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；
基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；
基于目标分类算法，对所述射频指纹进行认证。
2.根据权利要求1所述的RKE系统的射频指纹认证方法，其特征在于，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
确定所述前导信号对应的估计自相关函数；
基于所述估计自相关函数和抛物线开窗函数，对所述前导信号进行加权，确定所述前导信号的最大似然估计；
基于所述最大似然估计，确定所述载波频偏。
3.根据权利要求1所述的RKE系统的射频指纹认证方法，其特征在于，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
对所述前导信号进行频偏补偿和差分处理；
提取经过频偏补偿和差分处理后的前导信号的包络；
基于所述包络，确定所述包络功率谱。
4.根据权利要求1所述的RKE系统的射频指纹认证方法，其特征在于，所述基于所述前导信号的目标特征，确定射频指纹之前，还包括：
将所述前导信号中全为正弦波的部分，确定为输入信号；
基于所述输入信号，确定对应的期望信号；所述期望信号为幅值为1的正弦波，并与所述输入信号同步；
将所述输入信号和所述期望信号输入自适应滤波器中，在误差趋于收敛的情况下，确定所述自适应滤波器的系数。
5.根据权利要求1所述的RKE系统的射频指纹认证方法，其特征在于，所述基于所述前导信号的目标特征，确定射频指纹之后，还包括：
基于预设分类算法对所述射频指纹进行识别，确定所述预设分类算法的识别准确率；
基于所述识别准确率，从所述预设分类算法中确定所述目标分类算法。
6.根据权利要求1至5任一项所述的RKE系统的射频指纹认证方法，其特征在于，所述对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号，包括：
对所述射频信号进行去噪处理；
基于去噪后的射频信号，确定所述前导信号。
7.一种RKE系统的射频指纹认证装置，其特征在于，包括：
处理模块，用于对采集的RKE系统的射频信号进行预处理，确定所述射频信号的前导信号；
第一确定模块，用于基于所述前导信号的目标特征，确定射频指纹；所述目标特征包括：载波频偏，包络功率谱，以及自适应滤波器的系数；
认证模块，用于基于目标分类算法，对所述射频指纹进行认证。
8.根据权利要求7所述的RKE系统的射频指纹认证装置，其特征在于，还包括：
第二确定模块，用于：
确定所述前导信号对应的估计自相关函数；
基于所述估计自相关函数和抛物线开窗函数，对所述前导信号进行加权，确定所述前导信号的最大似然估计；
基于所述最大似然估计，确定所述载波频偏。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述RKE系统的射频指纹认证方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述RKE系统的射频指纹认证方法。
CN202211542766.3A 2022-12-02 2022-12-02 Rke系统的射频指纹认证方法、装置及存储介质 Pending CN116132991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211542766.3A CN116132991A (zh) 2022-12-02 2022-12-02 Rke系统的射频指纹认证方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211542766.3A CN116132991A (zh) 2022-12-02 2022-12-02 Rke系统的射频指纹认证方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116132991A true CN116132991A (zh) 2023-05-16

Family

ID=86301812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211542766.3A Pending CN116132991A (zh) 2022-12-02 2022-12-02 Rke系统的射频指纹认证方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116132991A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116599810A (zh) * 2023-06-15 2023-08-15 北京交通大学 基于多径衰落补偿的无线设备射频指纹提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116599810A (zh) * 2023-06-15 2023-08-15 北京交通大学 基于多径衰落补偿的无线设备射频指纹提取方法
CN116599810B (zh) * 2023-06-15 2024-02-23 北京交通大学 基于多径衰落补偿的无线设备射频指纹提取方法

Similar Documents

Publication Publication Date Title
Wang et al. Design of alignment-free cancelable fingerprint templates via curtailed circular convolution
Wong et al. Clustering learned CNN features from raw I/Q data for emitter identification
Danev et al. Transient-based identification of wireless sensor nodes
Nandakumar A fingerprint cryptosystem based on minutiae phase spectrum
US9087228B2 (en) Method and apparatus for authenticating biometric scanners
US8577091B2 (en) Method and apparatus for authenticating biometric scanners
US8942430B2 (en) Method and apparatus for authenticating area biometric scanners
US20210034895A1 (en) Matcher based anti-spoof system
CN116132991A (zh) Rke系统的射频指纹认证方法、装置及存储介质
Wang et al. A Hadamard transform-based method for the design of cancellable fingerprint templates
Ali et al. GLCM-based fingerprint recognition algorithm
Bassey et al. Device authentication codes based on RF fingerprinting using deep learning
CN112822689B (zh) 一种基于载波频率偏差的射频指纹提取方法
Ali et al. A novel technique for fingerprint template security in biometric authentication systems
Liu et al. RF fingerprint recognition based on spectrum waterfall diagram
Riccio et al. Biometric/cryptographic keys binding based on function minimization
Kiruthiga et al. A study of biometric approach for vehicle security system using fingerprint recognition
Kumar et al. Fingerprint image enhancement and minutia matching
CN112996001A (zh) 一种基于射频指纹图像加扰的物理层安全通信方法
Mirmohamadsadeghi et al. A template privacy protection scheme for fingerprint minutiae descriptors
Luo et al. A RFF access authentication technology based on K-nearest neighbor method
Pugalenthi et al. Latent dactyloscopy pairing: presentation attained through feedback from EPITOME
Peggs et al. Preamble-based RF-DNA Fingerprinting Under Varying Temperatures
Wen et al. RF transmitter identification and classification based on deep residual shrinkage network
Wang et al. Identification Technology of RKE System Using Multi-dimension RF Fingerprints

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