一种基于多采样卷积神经网络的射频指纹提取和识别方法技术

本发明专利技术公开了一种基于多采样卷积神经网络的射频指纹提取和识别方法，包括：(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理；(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大；(3)根据训练集和验证集对多采样卷积神经网络进行参数选择和训练，其中多采样卷积神经网络由降采样层、局部卷积层和全连接层构成；(4)针对实际接收的无线设备输出信号，利用训练好的多采样卷积神经网络对其进行分类识别。本发明专利技术识别效果更好。

【技术实现步骤摘要】
一种基于多采样卷积神经网络的射频指纹提取和识别方法
本专利技术涉及信息安全领域，尤其涉及一种基于多采样卷积神经网络的射频指纹提取和识别方法。
技术介绍
随着物联网的不断发展，无线设备已成为现代社会不可或缺的一部分。然而,无线网络由于其开放性，相比于传统的有线网络更容易受到恶意攻击，其安全问题不容忽视。近年来，无线通信设备的射频指纹提取和识别方法得到了广泛的关注。每个无线设备拥有不同的射频指纹——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。通过提取无线设备射频指纹可以实现对目标设备的识别和认证，从而为无线网络提供更高的安全性能。特征提取是射频指纹技术中最关键的一环，虽然已经提出了各种各样的人工设计的特征，包括自动增益控制(AGC)响应、放大器非线性特征、I/Q偏置、频偏、时频统计特征等。这些特征在应用于小规模设备数量时其有效性已经得到了证明，然而在面对更大规模的设备群时，其有效性存疑。传统的人工选取特征和设计基于机器学习的分类器严重依赖研究者专业知识且耗时耗力，自动提取更加全面的特征并进行分类颇具前景。然而，现有的少量基于卷积神经网络的方案也只针对单采样率的射频信号进行了自动指纹提取。因此，需要进一步改进卷积神经网络进行多尺度特征的自动学习于分类，进一步提高基于射频指纹技术的无线设备识别性能。
技术实现思路
专利技术目的：本专利技术针对现有技术存在的问题，提供一种基于多采样卷积神经网络的射频指纹提取和识别方法，本专利技术通过引入降采样层，对输入信号进行不同的降采样后再使用相同的卷积池化层对无线设备发送信号进行自动的多尺度的射频指纹特征提取和识别，不但克服了手工选取特征和设计分类器的困难，还对传统的卷积神经网络方法在单采样率下工作进行了进一步提升，从而进一步提高了利用射频指纹技术对无线设备的识别率。技术方案：本专利技术所述的基于多采样卷积神经网络的射频指纹提取和识别方法：(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理；(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大；(3)根据训练集和验证集对多采样卷积神经网络进行参数选择和训练，其中多采样卷积神经网络由降采样层、局部卷积层和全连接层构成；(4)针对实际接收的无线设备输出信号，利用训练好的多采样卷积神经网络对其进行分类识别。进一步的，步骤(1)中采集无线设备的输出信号时，通过直接同轴线加衰减器连接采集信号，或者是在近距离、可视距、信噪比高于预设值的无线接收环境下采集信号。进一步的，步骤(1)中所述不同环境参数具体包括：加入不同功率的高斯白噪声、不同的无线信道模型传输、不同多径分布参数的多径传输。进一步的，所述预处理包括：下变频、过采样、信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿、I/Q路信号提取。进一步的，步骤(2)中信号划分的方法包括交叉验证发、留出法和自助法。进一步的，步骤(2)中所述采用切片技术将所述训练集、验证集和测试集扩大，具体包括：对训练集中的每一信号进行切片，得到切片信号：式中，I1,...,In和Q1,...,Qn分别表示输入信号的I路和Q路采样点，Xi:j表示对X切片得到切片信号。进一步的，步骤(3)具体包括：(3-1)采用训练集的每一切片信号，对多采样卷积神经网络进行训练，包括以下阶段：降采样阶段：将切片信号送入到降采样层，通过设定不同的降采样率对切片信号进行降采样，得到多个长度不同的降采样分支；局部卷积阶段：将所述降采样分支输入相同的局部卷积层进行特征提取，得到多个长度相同的特征向量，其中，所述局部卷积层包括两个卷积层和两个池化层；全连接阶段：将多个特征向量连接成一个向量，输入至全连接层进行处理，其中，所述全连接层采用一个全连接神经网络作为分类识别器，通过one-hot编码输出每个特征向量的预测标签；(3-2)采用验证集对训练好的多个多采样卷积神经网络进行网络参数选择，将性能最好的多采样卷积神经网络进行存储。进一步的，步骤(4)具体包括：针对实际接收的无线设备输出信号，将其按照步骤(1)进行预处理，并切片为切片信号，再将切片信号送入训练好的多采样卷积神经网络进行识别产生多个预测标签，预测标签中数量最多的即为最终的预测结果。有益效果：本专利技术与现有技术相比，其显著优点是：通过本专利技术方法可以实现对目标设备无线信号同时提取局部和全局的特征，并自动进行非线性的组合，且能自动进行特征选择和分类器学习，无需人工选取特征，大大降低了人工开销和时间。此外，通过实验发现，使用本专利技术相比于现有的卷积神经网络方法可以进一步提高无线设备的识别性能。附图说明图1是本专利技术的一个实施例的流程示意图；图2是预处理的流程示意图；图3是多采样卷积神经网络框架图；图4是使用该专利技术方法提高设备识别率的结果示意图，具体实施方式本实施例提供了一种基于多采样卷积神经网络的射频指纹提取和识别方法，如图1所示，包括以下步骤：(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理。本实施例中，选用54个ZigBee无线发射模块作为目标无线设备并进行编号。在近距离、可视距、接收信噪比很高的无线环境下接收ZigBee无线发射模块发射的无线信号，也可以通过直接同轴线加衰减器连接采集无线信号。所述不同环境参数具体包括：加入不同功率的高斯白噪声、不同的无线信道模型传输、不同多径分布参数的多径传输。具体的高斯白噪声模拟的信噪比为从0dB到30dB，每隔5dB为一组，每个信噪比下所有采集的信号模拟一次。如图2所示，所述预处理具体包括下变频、过采样、信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿、I/Q路信号提取。其中，本实施例采用的ZigBee设备的符号速率为1Mbps，采集的无线信号直接下变频得到基带信号：其中x(t)代表发送信号的复基带表示，Δf是下变频后残留的频偏，代表相偏。下变频后用10Msps采样率对该基带信号进行10倍过采样和存储。之后利用变化点检测原理来粗略判定每一帧信号的起始和结束，完成信号检测和截取。然后将截取的帧信号进行能量归一化，得到：其中A为加噪y(t)的均方根。能量归一化能够避免信号发送功率和距离对识别产生影响，在本专利技术中不考虑通过接收信号功率来识别目标设备距离作为指纹特征。)能量归一化后的信号y′(t)还存在残留的频偏和相偏，由于频偏和相偏是两个容易被仿冒的参数，为了提取设备本身更加本质的指纹特征，在指纹提取前首先进行精确的频偏相偏估计和补偿(具体方法参照专利201510797097.8)。I/Q路信号提取时，由于本实施例中选用的是ZigBee设备，遵循IEEE802.15.4标准，采用OQPSK扩频通信，其前导包含8个符号，每个符号映射为32个码片，且I路和Q路存在半个码片的偏移，因此需要将补偿后的复基带信号的Q路提前半个码片周期进行对齐，最终得到前导信号对应的I路和Q路：其长度n为1280。(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大。具体实施时，可以按照比例3:1:1随机划分成训练集、验证集和测试集，信号划分的方法包括但不限于交叉验证发本文档来自技高网...

【技术保护点】
1.一种基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理；(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大；(3)根据训练集和验证集对多采样卷积神经网络进行参数选择和训练，其中多采样卷积神经网络由降采样层、局部卷积层和全连接层构成；(4)针对实际接收的无线设备输出信号，利用训练好的多采样卷积神经网络对其进行分类识别。

【技术特征摘要】
1.一种基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理；(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大；(3)根据训练集和验证集对多采样卷积神经网络进行参数选择和训练，其中多采样卷积神经网络由降采样层、局部卷积层和全连接层构成；(4)针对实际接收的无线设备输出信号，利用训练好的多采样卷积神经网络对其进行分类识别。2.根据权利要求1所述的基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：步骤(1)中采集无线设备的输出信号时，通过直接同轴线加衰减器连接采集信号，或者是在近距离、可视距、信噪比高于预设值的无线接收环境下采集信号。3.根据权利要求1所述的基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：步骤(1)中所述不同环境参数具体包括：加入不同功率的高斯白噪声、不同的无线信道模型传输、不同多径分布参数的多径传输。4.根据权利要求1所述的基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：所述预处理包括：下变频、过采样、信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿、I/Q路信号提取。5.根据权利要求1所述的基于多采样卷积神经网络的射频指纹提取和识别方法，其特征在于：步骤(2)中信号划分的方法包括交叉验证发、留出法和自助法。6.根据权利要求1所述的一种基于多采样卷积神经网络的射...

【专利技术属性】
技术研发人员：胡爱群，俞佳宝，李古月，彭林宁，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32