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