CN117425152A - 一种动态自适应的移动设备射频指纹识别方法和装置 - Google Patents
一种动态自适应的移动设备射频指纹识别方法和装置 Download PDFInfo
- Publication number
- CN117425152A CN117425152A CN202311302998.6A CN202311302998A CN117425152A CN 117425152 A CN117425152 A CN 117425152A CN 202311302998 A CN202311302998 A CN 202311302998A CN 117425152 A CN117425152 A CN 117425152A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- data
- equipment
- fingerprint
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004873 anchoring Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种动态自适应的移动设备射频指纹识别方法和装置，其方法针包括：1)基于SDR的Wi‑Fi数据包获取，与Legacy波段的IQ信号的截取以及数据预处理；2)原始Legacy波形的重构；3)特征计算神经网络模型的构建；4)自适应特征分类模型与指纹库的构建；5)实时部署：部署特征计算神经网络模型与自适应特征分类模型，配合指纹库实现对设备识别追踪。本发明更具备鲁棒性，其在解决设备移动过程中、在设备周围的无线环境变化后识别精度差，识别精度鲁棒性差以及不能够动态识别追踪固定目标等问题上具备更强的鲁棒性，以及在真实移动设备使用环境的强适应性，更具备实施部署条件。
Description
技术领域
本发明涉及无线Wi-Fi网络隐私安全领域，具体是指一种动态自适应鲁棒性策略的移动设备射频指纹识别追踪的攻击方法。
背景技术
Wi-Fi目前已经成为无线互联网接入的主要媒介。通信运营商正在逐渐的将流量转移到Wi-Fi方式传输，以克服容量受限、频谱资源紧缺、高额部署成本等问题，并满足用户生成内容驱动的大流量需求。非3GPP接入网络的发现和3GPP漫游标准、以及EAP-SIM/AKA等安全通信协议的出现都促进了Wi-Fi卸载的发展。目前，Wi-Fi卸载在市场上保持很高的占有率。此外，笔记本电脑和流媒体设备的制造商，如苹果MacBook Pro和Roku流媒体播放器，正在取消以太网端口，转向完全依赖Wi-Fi协议及端口，并且开发了几种新的Wi-Fi变体，来适应不同的应用环境。例如，用于车辆网络的IEEE 802.11p和用于电视空白区域的IEEE802.11af等等。
也正由于Wi-Fi网络的普及，以及物联网设备的广泛应用，使得使用Wi-Fi网络的用户的个人隐私性和安全性受到前所未有的挑战。Wi-Fi网络的安全性和隐私性越来越多地成为攻击者的目标。此前，对Wi-Fi连接的物联网设备和应用程序的安全攻击的研究包括导致分布式拒绝服务(DDoS)的Mirai恶意软件和智能灯泡中的蠕虫方式，攻击者通过入侵系统进而控制附近所有兼容的物联网灯具设备。
隐私攻击同样令人担忧。Wi-Fi流量分析使得观察者能够通过设备的“指纹”来推断个人用户的隐私活动，例如，通过监控摄像头的比特率，攻击者可以推断建筑物内的物体运动轨迹等等。其中通过Wi-Fi进而跟踪设备也是其中的热点。攻击者通过Wi-Fi探针等方式收集样本，并进而跟踪用户的移动和位置。跟踪用户中最简单的方法是提取Wi-Fi卡周期性传输的探测数据包的MAC地址。但是由于MAC地址随机化的出现，很大程度上避免了类似的根据MAC地址的用户位置追踪的攻击。并且由于Wi-Fi数据链路层加密，攻击者无法看到数据包有效载荷的任何明文，捕获的流量有噪声(如果与邻近网络混合)，并且信息非常有限(例如没有MAC地址和端口信息)，因此很难获取到设备的确切MAC地址隐私信息。随着研究发现，根据Wi-Fi设备的物理层特征跟踪无线设备有成为一种有效的方式。硅器件制造过程中的变化导致固有的随机物理特征，这些特征以难以补偿或克隆的方式唯一地识别器件。
虽然目前大量研究根据设备指纹进行用户位置追踪攻击，但仍有很多问题难以克服，如在设备移动过程中、在设备周围的无线环境变化后识别精度差，识别精度鲁棒性差以及不能够动态识别追踪固定目标等问题，使得射频指纹的目标追踪技术很难实施部署到真实用户环境中。因此，设计出以一种能够具有适应用户真实使用场景的，具备高鲁棒性与动态自适应能力的攻击方式具有很高的价值与意义。
发明内容
为了克服上述背景技术的不足，本发明提供一种动态自适应的移动设备射频指纹识别方法，目标是实现一种能够具有适应真实使用场景的，具备高鲁棒性与动态自适应能力的射频指纹目标追踪技术。
为了实现上述技术目标，本发明提供如下的技术方案：
动态自适应的移动设备射频指纹识别方法，包括以下步骤：
1)基于SDR的Wi-Fi数据包获取，与Legacy波段的IQ信号的截取以及数据预处理；
2)原始Legacy波形的重构；
3)特征计算神经网络模型的构建；
4)自适应特征分类模型与指纹库的构建；
5)实时部署：部署特征计算神经网络模型与自适应特征分类模型，配合指纹库实现对设备识别追踪。
所述步骤1)中，基于SDR的获取Wi-Fi数据包，IEEE 802.11a/g/n/ac/ax标准中，普遍使用相同格式的传统包头格式，具备相同的前导码模式。每个数据包的前导码由8us的L-STF与16us的L-LTF组成，其公式如下：
N是子载波的数量，T是总波形持续时间，f1是起始频率，并且δf是载波之间的间隔大小。
进一步，所述步骤1)中，离线阶段的数据集构建的方法如下：
①使用嗅探工具收集网络流量，并使用MAC地址标记设备名称。然后，对数据进行预处理，去除噪声(例如，属于其他Wi-Fi网络的流量，信标帧和广播帧)，只保留数据帧类型，去除一些mac产生的噪声帧。通过只保留具有双向通信流量的流量帧(即同时具有发送帧和接收帧)来进行过滤。
②将MAC地址替换为对应的设备名称及其工作状态，以便于数据集标注。此步骤仅在离线训练阶段执行。标签用于分类训练数据和测试验证目的。
③Legacy波段的分离，其包含160个IQ样本，由64个样本长模式波形组成，重复2.5次。提取数据符号，进行标注制作成数据集。
所述步骤2)中，利用步骤1)构建的数据集，对发送端的Legacy原始波形进行重构。将160个IQ复数信号进行解码，并排除频偏、CFO以及IQ不均衡等干扰因素，重建出干净的原始Legacy波形。
进一步，所述步骤2)中，原始Legacy波形的重构的解析如下：由于Wi-Fi采用OFDM正交频分多路复用技术，其在发送端理想情况下，第n个子载波所传输的信号表示为基于这样的设计，不同的子载波上所发送的信号就具有正交性，即在OFDM符号周期内，不同的子载波信号之间互相关为0。/> 发送端发送之后，经过信道的干扰以及不同载频的影响，使得接收侧所接收到的信号都存在不同的频率偏差，收到的信号可以表示为其中N为一个OFDM符号的样点数，n为时域采样序号。在接收侧进行OFDM解调时，由于不同的残留频偏值，这样导致不同子载波之间不再保持正交性，会引入子载波间干扰。因此，需要重构出发送端干净的原始Legacy波形，送入后续神经网络模型中计算出对应的频偏、CFO等特性。
所述步骤3)中，射频指纹特征提取神经网络模型的构建，将步骤2)中得到的原始Legacy波形与接收端接收到的受损波形共同对比训练输入到神将网络模型中，得出一系列设备的独特的射频指纹特征，以便后续分类模型进行聚类分析。
再进一步，所述步骤3)中，神经网络射频指纹特征提取器的构建与训练具体步骤如下：
①采用载波频率偏移(CFO)、信噪比、IQ均衡值、信号能量值等特征作为分类指标。
②针对每个设备提取到的波形，计算出上述的几种特征值，作为网络训练的目标。并且归一化，以防止系统学习非设备特定的接收功率。通过除其均方根(RMS)进行归一化。将原始Legacy波形(160位IQ复数信号)与接收端接收到的受损波形(160位IQ复数信号)，分离成单实部单虚部的形式，组成(2，2，160)的矩阵形式，方便输入网络。此步骤仅在离线训练阶段执行。以便对网络模型进行训练。
所述步骤4)中，自适应特征分类模型与指纹库的构建，将步骤3)所得到的多个特征值利用LSTM神经网络进行聚类编码，并采用K-means算法进行分类操作，最后将训练过的每个设备的簇中心点记录到设备指纹库中。
进一步，所述步骤4)中，其具体实现方法如下：
①将上述网络的输出特征值载波频率偏移(CFO)、信噪比、IQ均衡值、信号能量值等作为二级神经网络LSTM的输入，训练一个将输入映射到一维向量/嵌入的神经网络。
②损失函数使用triplet loss。其将输入数据投影到一个空间中，在这个空间中，相似的样本彼此很近，不相似的样本彼此很远。在训练过程中，每一步从训练集中选择一个由锚样本、正样本和负样本组成的三元组。具体到本研究中，锚定样本和阳性样本是来自同一设备得出的特征值，阴性样本来自不同的设备。triplet loss的目标是使锚点与正样本之间的欧氏距离最小，同时使锚点与负样本之间的距离最大，表示为
Loss＝max(D(Anc,Pos)-D(Anc,Neg)+α,0) (2)
其中Anc、Pos、Neg分别表示锚点样本、阳性样本和阴性样本提取的特征。D(·,·)表示两个向量之间的欧氏距离。α是一个预定义的超参数，表示正对和负对之间的边界。
③K-means算法的变体进行分类，计算簇中心点。K-means算法，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。假设簇划分为(C1,C2,...Ck)，则的目标是最小化平方误差E：
其中μi是Ci的均值向量，表达式为：
首先，选取初始化质心，在训练离线训练阶段随机选取k个点，计算数据集样本中其它的点到质心的距离，然后选取最近质心的类别作为自己的类别。之后，计算每一个簇中样本点的平均值，重新计算质心，并重新划分类别。重复第3，4步骤，直到达到某一个阈值，这个阈值可以是迭代的轮数，也可以是当质心不发生改变的时候或者质心变化的幅度小于某一个值得时候停止迭代。
④记录每个簇的中心点到设备指纹库中，在在线检测阶段作为设备识别的标准。具体操作过程需要，针对获取的不同的信号功率大小以及信噪比的具体数值，设置调整阈值β，动态调整簇中心点的分类范围，实现实时适应追踪设备的环境变化。
所述步骤5)中，实时部署：部署射频指纹特征提取器与自适应特征分类模型，配合指纹库实现对设备识别追踪。为方便开发，实施在Linux系统的开源软件GNU-radio中，将射频指纹特征提取器与自适应特征分类模型部署加载，并配合构建的设备指纹库，实现设备识别追踪的目的。
本发明的第二个方面，一种动态自适应的移动设备射频指纹识别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的一种动态自适应的移动设备射频指纹识别方法。
本发明的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的一种动态自适应的移动设备射频指纹识别方法。
本发明的工作原理是：在离线阶段，实现对几类已知设备的数
据采集，并对数据进行预处理，获得相应的数据集，并采用重构的原始Legacy波形与预处理后的波形，对射频指纹特征提取神经网络模型进行监督训练，得以输出相应的载波频率偏移(CFO)、信噪比、IQ均衡值、信号能量值等特征值。之后将特征值作为自适应特征分类模型的输入，采用triplet loss实现对分类模型的训练，并将最终的簇中心位置记录保存至指纹库中。最后，整体模型框架部署到Linux系统中实现实时在线检测追踪。
本发明的有益效果为：相对于现有技术比，本发明有着较高鲁棒性和可扩展性，考虑到真实使用场景中，用户携带设备移动，导致信道环境变化的问题。更能够贴合用户现实环境，应用指数更高。并且，使用神经网络模型计算参数值，相比此前研究中使用优化算法逐步迭代更新，速度更快，可操作性更强，也更加便捷操作，方便后续改进拓展。
附图说明
图1为基于SDR的Wi-Fi数据获取与数据预处理框架图；
图2为特征计算神经网络模型架构图；
图3为自适应特征分类模型架构图；
图4为实施部署在线阶段的整体架构图。
具体实施方式
下面结合附图对本发明做进一步说明，在本发明的附图或公式中，其中相同或类似的的符号表示相同或类似的元件或具有相同或类似功能的元件。本发明的附图和公式仅用于解释实施过程和模型的结构特性，而不能作为对本发明内容的限制。
在本发明中，致力于确保公式和符号的清晰性和可理解性。每当出现新的符号或公式时，会在文档的相应部分提供解释和定义，以确保读者能够准确理解它们的含义。这种明确的符号和公式解释有助于确保技术和概念的准确传达，使本发明更易于理解和应用。
除非特别定义，本发明中所有专业术语，都具有与相应领域中的普通专业人员一般理解相符的含义，应该将通用词汇按照现有技术背景中的含义来解释。若本发明中有明确的特别定义，专利中存在与公开和描述与相关文献相关的符号冲突时，以本说明书的内容为准。
在不偏离本发明范围的前提下，可以对本发明的具体实施方式进行多种改进和变化，这对于熟悉这一技术领域的专业人员来说是明显且容易的。其他实施方式可以从本发明的说明书中得出，对于技术人员来说也是显而易见的。本发明说明书，权利要求书中所使用的“含有”、“包含”、“包括”、“具有”等，均为开放性的用语，即意指包含但不限于。
为了能够更清楚地描述本发明的技术内容，下面结合具体事例来进行进一步的描述。
实施例1
本实施例提供的动态自适应鲁棒性策略的用户追踪隐私攻击方法，包括以下步骤：
步骤1)如图1所示，在离线训练的准备阶段，构建模型训练的数据集，步骤如下：首先，通过USRP采集空中传输的已知设备的数据包，通过解码解包获取每个数据包对应的MAC地址，作为后续模型训练的标签。而后截取数据包关于前导码的波段IQ数据，此处讲解一下前导码在数据包中的作用，一般用于信号检测(激活接收机)、时间同步、频率偏移估计、自动增益控制以及信道估计等。之后构建干净的原始Legacy波形。
步骤2)如图2所示将重构出来的干净Legacy波形与接收到的真实受损波形以对比形式，以(2，2，160)形状训练输入到神将网络模型中，得出一系列设备的独特的射频指纹特征，CFO、IQ不均衡、波段能量值、信噪比、功率值。此处的神经网络可选择替代性很大，如自编码器的编码部分、Resnet网络模型均可使用，但为了后续在线实时的速度考虑，建议采用计算速度较快、模型较小的网络。
步骤3)如图3所示将一维多特征值输入LSTM神经网络，标签值为步骤1)获得的MAC地址，使用triplet loss损失函数，使输出空间中，相似的样本靠拢，不相似的样本彼此远离，使之达到预定义的γ超参数为止。之后，使用K-means算法进行计算分类，计算簇中心点。假设簇划分为(C1,C2,...Ck)，则的目标是最小化平方误差E：
其中μi是C1的均值向量，表达式为：将个簇的中心点与MAC地址标签对应，保存在指纹库中。
步骤4)如图4整体架构所示，将训练好的模型部署到开源软件GNU-radio中，并连通指纹库，达到在线阶段的实时检测。在部署阶段，通过SDR获取到数据包后，无需解包，只要做好符号同步工作后，根据数据包开始位置截获160位IQ数据即为前导码，将重构前后的数据输入到部署训练好的特征计算网络中，与LSTM神经网络模型中，得到512×1的设备指纹与指纹库中存在的指纹进行欧氏距离对比，根据超参数γ判别设备属于已知类中的哪一类，或者属于未知类。此处的超参数γ根据采集到信号的功率值与信噪比决定大小，当功率值大时，说明设备距离较近，信噪比值理应较高，反之较远，此时信噪比值理应较低。而距离近时，采集到的数据受信道影响更小，数据更精准，所以超参数γ会随之变小。反之，采集到的数据受信道影响更大，数据更粗糙，所以超参数γ会随之变大。最后，超参数γ不应大于最小类间距的0.4倍，以免造成类范围交叉。由于实验环境的不同，应根据自己的场景做超参数等数值的改变。
本发明针对无线Wi-Fi移动设备进行设备指纹追踪，整体分为以下步骤：基于SDR的Wi-Fi数据包获取，与Legacy波段的IQ信号的截取以及数据预处理，原始Legacy波形的重构，特征计算神经网络模型的构建，自适应特征分类模型与指纹库的构建，实时部署：部署特征计算神经网络模型与自适应特征分类模型，配合指纹库与超参数算法动态调整阈值，实现对设备识别追踪。本发明更具备鲁棒性，其在解决设备移动过程中、在设备周围的无线环境变化后识别精度差，识别精度鲁棒性差以及不能够动态识别追踪固定目标等问题上具备更强的鲁棒性，以及在真实移动设备使用环境的强适应性，更具备实施部署条件。
实施例2
本实施例提供一种动态自适应的移动设备射频指纹识别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1的一种动态自适应的移动设备射频指纹识别方法。
实施例3
本实施例涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现实施例1的一种动态自适应的移动设备射频指纹识别方法。
以上所述仅为本发明的实施示例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、同等替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种动态自适应的移动设备射频指纹识别方法，其特征在于，所述方法包括以下步骤：
1)基于SDR的Wi-Fi数据包获取，与Legacy波段的IQ信号的截取以及数据预处理；
2)原始Legacy波形的重构；
3)特征计算神经网络模型的构建；
4)自适应特征分类模型与指纹库的构建；
5)实时部署：部署特征计算神经网络模型与自适应特征分类模型，配合指纹库实现对设备识别追踪。
2.如权利要求1所述的一种动态自适应的移动设备射频指纹识别方法，其特征在于，所述步骤1)中，离线阶段的数据集构建的方法如下：
11)使用嗅探工具收集网络流量，并使用MAC地址标记设备名称；然后，对数据进行预处理，去除噪声，只保留数据帧类型，去除一些mac产生的噪声帧；通过只保留具有双向通信流量的流量帧(即同时具有发送帧和接收帧)来进行过滤；
12)将MAC地址替换为对应的设备名称及其工作状态，以便于数据集标注；此步骤仅在离线训练阶段执行；标签用于分类训练数据和测试验证目的；
13)Legacy波段的分离，其包含160个IQ样本，由64个样本长模式波形组成，重复2.5次；提取数据符号，进行标注制作成数据集。
3.如权利要求1或2所述的一种动态自适应的移动设备射频指纹识别方法，其特征在于，所述步骤2)中，在步骤1)构建的Legacy波段数据集的基础上，原始Legacy波形的重构的解析如下：
由于Wi-Fi采用OFDM正交频分多路复用技术，其在发送端理想情况下，第n个子载波所传输的信号表示为基于这样的设计，不同的子载波上所发送的信号就具有正交性，即在OFDM符号周期内，不同的子载波信号之间互相关为0； 发送端发送之后，经过信道的干扰以及不同载频的影响，使得接收侧所接收到的信号都存在不同的频率偏差，收到的信号可以表示为/>其中N为一个OFDM符号的样点数，n为时域采样序号；在接收侧进行OFDM解调时，由于不同的残留频偏值，这样导致不同子载波之间不再保持正交性，会引入子载波间干扰；因此，需要重构出发送端干净的原始Legacy波形，送入后续神经网络模型中计算出对应的频偏、CFO特性。
4.如权利要求3所述的一种动态自适的移动设备射频指纹识别方法，其特征在于，所述步骤3)中，完成所述步骤2)的原始Legacy波形的重构后，构建射频指纹特征提取神经网络模型，将步骤2)中得到的原始Legacy波形与接收端接收到的受损波形共同对比训练输入到神将网络模型中，得出一系列设备的独特的射频指纹特征；神经网络射频指纹特征提取器的构建与训练具体步骤如下：
31)采用载波频率偏移(CFO)、信噪比、IQ均衡值、信号能量值的特征作为分类指标；
32)针对每个设备提取到的波形，计算出上述的几种特征值，作为网络训练的目标；并且归一化，以防止系统学习非设备特定的接收功率；通过除其均方根(RMS)进行归一化；将原始Legacy波形(160位IQ复数信号)与接收端接收到的受损波形(160位IQ复数信号)，分离成单实部单虚部的形式，组成(2，2，160)的矩阵形式，方便输入网络；此步骤仅在离线训练阶段执行；以便对网络模型进行训练。
5.如权利要求4所述的一种动态自适应的移动设备射频指纹识别方法，其特征在于，所述步骤4)中，通过步骤3)得到的多个特征值利用LSTM神经网络进行聚类编码，并采用K-means算法进行分类操作，最后将训练过的每个设备的簇中心点记录到设备指纹库中；其具体实现方法如下：
41)将上述网络的输出特征值载波频率偏移(CFO)、信噪比、IQ均衡值、信号能量值等作为二级神经网络LSTM的输入，训练一个将输入映射到一维向量/嵌入的神经网络；
42)损失函数使用triplet loss；其将输入数据投影到一个空间中，在这个空间中，相似的样本彼此很近，不相似的样本彼此很远；在训练过程中，每一步从训练集中选择一个由锚样本、正样本和负样本组成的三元组；具体到本研究中，锚定样本和阳性样本是来自同一设备得出的特征值，阴性样本来自不同的设备；triplet loss的目标是使锚点与正样本之间的欧氏距离最小，同时使锚点与负样本之间的距离最大，表示为：
Loss＝max(D(Anc,Pos)-D(Anc,Neg)+α,0) (2)
其中Anc、Pos、Neg分别表示锚点样本、阳性样本和阴性样本提取的特征；D(·,·)表示两个向量之间的欧氏距离；α是一个预定义的超参数，表示正对和负对之间的边界；
43)K-means算法的变体进行分类，计算簇中心点；K-means算法，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇；让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大；假设簇划分为(C1,C2,...Ck)，则我们的目标是最小化平方误差E：
其中μi是Ci的均值向量，表达式为：
首先，选取初始化质心，在训练离线训练阶段随机选取k个点，计算数据集样本中其它的点到质心的距离，然后选取最近质心的类别作为自己的类别；之后，计算每一个簇中样本点的平均值，重新计算质心，并重新划分类别；重复第3，4步骤，直到达到某一个阈值，这个阈值可以是迭代的轮数，也可以是当质心不发生改变的时候或者质心变化的幅度小于某一个值得时候停止迭代；
44)记录每个簇的中心点到设备指纹库中，在在线检测阶段作为设备识别的标准；具体操作过程需要，针对获取的不同的信号功率大小以及信噪比的具体数值，设置调整阈值β，动态调整簇中心点的分类范围，实现实时适应追踪设备的环境变化。
6.如权利要求5所述的一种动态自适应的移动设备射频指纹识别方法，其特征在于，所述步骤5)中，利用通过步骤4)得到的射频指纹特征提取器与自适应特征分类模型，配合指纹库实现对设备识别追踪；为方便开发，实施在Linux系统的开源软件GNU-radio中，将射频指纹特征提取器与自适应特征分类模型部署加载，并配合构建的设备指纹库，实现设备识别追踪的目的；具体操作如下：
在部署阶段，通过SDR获取到数据包后，无需解包，只要做好符号同步工作后，根据数据包开始位置截获160位IQ数据即为前导码，将重构前后的数据输入到部署训练好的特征计算网络中，与LSTM神经网络模型中，得到512×1的设备指纹与指纹库中存在的指纹进行欧氏距离对比，根据超参数γ判别设备属于已知类中的哪一类，或者属于未知类；此处的超参数γ根据采集到信号的功率值与信噪比决定大小，当功率值大时，说明设备距离较近，信噪比值理应较高，反之较远，此时信噪比值理应较低；而距离近时，采集到的数据受信道影响更小，数据更精准，所以超参数γ会随之变小；反之，采集到的数据受信道影响更大，数据更粗糙，所以超参数γ会随之变大；最后，超参数γ不应大于最小类间距的0.4倍，以免造成类范围交叉；由于实验环境的不同，应根据自己的场景做超参数等数值的改变。
7.一种动态自适应的移动设备射频指纹识别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-6中任一项所述的一种动态自适应的移动设备射频指纹识别方法。
8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-6中任一项所述的一种动态自适应的移动设备射频指纹识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302998.6A CN117425152A (zh) | 2023-10-10 | 2023-10-10 | 一种动态自适应的移动设备射频指纹识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302998.6A CN117425152A (zh) | 2023-10-10 | 2023-10-10 | 一种动态自适应的移动设备射频指纹识别方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117425152A true CN117425152A (zh) | 2024-01-19 |
Family
ID=89525608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311302998.6A Pending CN117425152A (zh) | 2023-10-10 | 2023-10-10 | 一种动态自适应的移动设备射频指纹识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117425152A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117896176A (zh) * | 2024-03-12 | 2024-04-16 | 西安电子科技大学 | 面向工业物联网欺骗攻击的学习驱动物理层认证方法 |
-
2023
- 2023-10-10 CN CN202311302998.6A patent/CN117425152A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117896176A (zh) * | 2024-03-12 | 2024-04-16 | 西安电子科技大学 | 面向工业物联网欺骗攻击的学习驱动物理层认证方法 |
| CN117896176B (zh) * | 2024-03-12 | 2024-05-17 | 西安电子科技大学 | 面向工业物联网欺骗攻击的学习驱动物理层认证方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Towards scalable and channel-robust radio frequency fingerprint identification for LoRa | |
| Reus-Muns et al. | Trust in 5G open RANs through machine learning: RF fingerprinting on the POWDER PAWR platform | |
| Peng et al. | Design of a hybrid RF fingerprint extraction and device classification scheme | |
| Bassey et al. | Intrusion detection for IoT devices based on RF fingerprinting using deep learning | |
| US20190174330A1 (en) | Sensing recognition method and device based on wireless communication signals | |
| Gopalakrishnan et al. | Robust wireless fingerprinting via complex-valued neural networks | |
| Reus-Muns et al. | Classifying UAVs with proprietary waveforms via preamble feature extraction and federated learning | |
| Xia et al. | Cellular signal identification using convolutional neural networks: AWGN and Rayleigh fading channels | |
| 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 | |
| Peng et al. | A differential constellation trace figure based device identification method for ZigBee nodes | |
| CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| Ghasemzadeh et al. | Performance evaluation of feature-based automatic modulation classification | |
| Zhang et al. | Radio frequency fingerprint identification for device authentication in the internet of things | |
| Chen et al. | Generative adversarial network-based rogue device identification using differential constellation trace figure | |
| CN113869156A (zh) | 一种射频指纹识别方法 | |
| Bouchenak et al. | A semi-supervised modulation identification in MIMO systems: A deep learning strategy | |
| Yuan et al. | Specific emitter identification based on transient energy trajectory | |
| Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
| Wang et al. | A new method of automatic modulation recognition based on dimension reduction | |
| Chen et al. | Radio Frequency Fingerprint Identification Based on Transfer Learning | |
| Shebert et al. | Open set wireless standard classification using convolutional neural networks | |
| 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 | |
| Aminuddin et al. | Securing wireless communication using RF fingerprinting | |
| Newman et al. | Security threats to cognitive radio signal classifiers | |
| CN111191703A (zh) | 一种无线局域网络流量分析的方法和系统 |
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 |