一种基于射频指纹与深度学习的无线设备识别方法技术

本发明专利技术公开了一种基于射频指纹和深度学习的无线设备识别方法，包括：接受无线设备基带的I/Q信号，并进行采样；采样后的I/Q路信号延迟、差分处理；将多个差分处理后的信号绘制在同一个以I路和Q路为坐标轴的坐标空间中，形成多差分星座轨迹图，作为该设备的射频指纹；将设备指纹库中存储的指纹作为数据集，训练得到一个基于孪生神经网络的设备识别网络；当进行设备身份识别时，将待识别信号的多差分星座轨迹图与指纹库中的每个指纹进行组队，并将其放入设备识别网络中得到两者的相似度；放入判别器中，得到设备识别结果。本发明专利技术提高了物联网设备个体识别的识别效率，保证了更高的通信安全。安全。安全。

A wireless device identification method based on RF fingerprint and deep learning

【技术实现步骤摘要】
一种基于射频指纹与深度学习的无线设备识别方法


[0001]本专利技术涉及通信信息安全领域，尤其涉及一种基于射频指纹与深度学习的无线设备 识别方法。

技术介绍

[0002]传统的安全策略大多建立在应用层，比如目前的认证机制一般采用基于密码学的安 全协议来实现。这种机制并不是完美无缺，例如存在密钥泄露风险和协议有漏洞等。无 线网络物理层身份鉴权技术由于其较强的抗伪装攻击能力，受到越来越多关注。利用物 理层特性构无线设备由于器件容差产生的射频指纹具有难以克隆的物理特性，利用射频 指纹来区分合法设备和非法设备是一种新的保护通信系统安全的物理层方法。就像每个 人都有自己独特的生物指纹特征，不同设备的射频指纹也有区别，因此射频指纹可用于 无线设备的物理身份识别和接入认证。
[0003]射频指纹提取是利用射频指纹进行物联网设备身份识别的重要一步。现有的射频指 纹识别技术也可分为基于瞬态信号和基于稳态信号两类。基于瞬态信号的射频指纹提取 与分类识别技术主要是利用发射机开启瞬间或者工作模式改变的短暂过程，信号发射功 率从零上升到额定功率阶段的信号变化特征。这部分信号不会携带任何与数据有关的信 息，仅和发射机硬件特性有关，具有数据独立性。但是需要采用高精度设备进行高速信 号采集，实际使用的难度较高，而且基于瞬态信号特征所构建的射频指纹容易受到无线 信道的影响，使其实用性有限。基于稳态信号的射频指纹技术的基础是稳态信号的变化 规律，其特征比瞬态信号更容易获取。然而，目前研究所提到的分类准确率是在特定的 实验条件下获得的，这些特定的实验条件离真正的应用环境还有很大差别。
[0004]在传统的基于设备指纹的无线设备身份识别研究中，均将其建模为分类判别问题， 尚未出现过进行非法用户检测的相关研究。分类判别问题存在着将非法用户判别为合法 用户的风险。此外，无线网络通常十分缺乏有关非法用户信号特点的先验知识。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术的目的是提供一种基于射频指纹与深度学习的无 线设备识别方法。本专利技术通过融合较短、中等、较长等三种不同长度的差分间隔所产生 的星座轨迹图作为设备指纹，并利用基于孪生神经网络的设备识别网络完成对待测设备 是否合法的判断以及对合法设备进行设备身份识别，提高了物联网等无限好设备个体识 别的识别效率，保证了更高的通信安全。
[0006]本专利技术的目的通过以下技术方案实现：
[0007]一种基于射频指纹与深度学习的无线设备识别方法，包括如下的步骤：
[0008]1)接收端接受无线设备基带的I/Q信号，并以一定的采样率对接收到的无线信号 进行采样。采样率应该大于奈奎斯特采样定律所需要的最低采样率。过采样的数据需要 经过归一化等预处理。
[0009]2)当特征不明显时，接收端使用延迟器对采样后的I/Q路信号进行5
‑
20个采样点 的延迟；这一步是可选的。
[0010]3)接收端选取多个差分间隔，分别对经过延迟器的信号进行差分处理。选取的多 个差分间隔应该满足至少在一个维度上具有较为明显的差异性，同时差分间隔的选取应 该符合目标设备的特定调制方式。差分处理的具体过程是将I/Q的当前信号值与经过一 定差分间隔的I/Q路信号的共轭值进行相乘。
[0011]4)接收端将多个差分处理后的信号绘制在同一个以I路和Q路为坐标轴的坐标空 间中，形成多差分星座轨迹图。多差分星座轨迹图是将多个不同差分间隔的差分星座轨 迹图组合在一起，可以对载波频偏提供多个相位偏移的表征。
[0012]5)将信号的多差分星座轨迹图存储在设备指纹库中，作为该设备的射频指纹。设 备指纹库包括多个设备的射频指纹，以供后续完成对设备的识别。
[0013]6)将设备指纹库中存储的指纹作为数据集，训练得到一个基于孪生神经网络的设 备识别网络，该网络的输入为两个射频指纹，输出为两个射频指纹的相似程度。基于孪 生神经网络的设备识别网络主要由卷积神经网络构成，数据样本是成对输入，网络的输 出设置为[0,1]，其中类别0表示该指纹对是同一类别，类别1表示该指纹为非同一类 别。
[0014]7)当进行设备身份识别时，将待识别信号的多差分星座轨迹图与指纹库中的每个 指纹进行组队，并将其放入设备识别网络中得到两者的相似度。所得到的相似度是后续 身份鉴别的决定性依据。
[0015]8)将网络的输出放入判别器中，判别两个设备是否为同一设备，并为判别器设置 一个足够优秀的阈值，使得阈值以下的相似度判决为同类设备，阈值以上的设备判决为 异类设备，最终得到设备识别结果。一个足够优秀的阈值可以根据网络的输出结果，正 确区分该指纹是否为同一设备。
[0016]本专利技术提出融合较短、中等、较长等三种不同长度的差分间隔所产生的星座轨迹图 作为设备指纹，解决传统单一差分间隔星座轨迹图不能兼顾频偏分辨力和频偏适用范围 的问题。并提出了一种完成对待测设备是否合法的判断并且对合法设备进行设备身份识 别的算法，算法主要思想为利用孪生神经网络算法，对射频指纹进行鉴别，甄别合法设 备与非法设备。
[0017]本专利技术的有益效果：
[0018]通过本专利技术方法可以实现对目标发射机的射频指纹特征提取，融合较短、中等、较 长等三种不同长度的差分间隔所产生的星座轨迹图作为设备指纹，解决传统单一差分间 隔星座轨迹图不能兼顾频偏分辨力和频偏适用范围的问题。此外，本专利技术方法提出了一 种基于孪生神经网络的无线设备识别网络，可以在不了解有关非法用户信号特点的先验 知识的前提下通过射频指纹区分合法用户和非法用户，同时对合法用户的身份进行识别， 提高了物联网等无限好设备个体识别的识别效率，保证了更高的通信安全。
附图说明
[0019]图1是本专利技术方法的总体流程框图。
具体实施方式
[0020]本实施例提供了一种基于射频指纹与深度学习的无线设备识别方法，如图1所示， 包括以下步骤：
[0021]1)接收端接受无线设备基带的I/Q信号，并以一定的采样率对接收到的无线信号 进行采样。采样率应该大于奈奎斯特采样定律所需要的最低采样率。过采样的数据需要 经过归一化等预处理。
[0022]离散时间系统中，接收信号的基带等效信号可以表示为：
[0023][0024]式中h
l
(n)是多径信道中第l径的信道响应，f
o
和f1分别是发射机和接收机的载波频率，W 是信号带宽。根据公式可以看出，载波频偏导致接收信号每一个采样点都存在一个相位 旋转因子并且旋转角度随着采样时刻n的增加而不断变大。
[0025]2)当特征不明显时，接收端需要使用I/Q两路延迟器对采样后的I/Q路信号进行 5
‑
20个采样点的延迟。
[0026]3)接收端选取多个差分间隔，分别对经过延迟器的信号进行差分处理。选取的多 个差分间隔应该满足至少在一个维度上具有较为明显的差异性，同时差分间隔的选取应 该符合目标设备的特定调制方式。本实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于射频指纹与深度学习的无线设备识别方法，其特征在于：包括以下的步骤：1)接收端接受无线设备基带的I/Q信号，并以一定的采样率对接收到的无线信号进行采样；2)当特征不明显时，接收端使用延迟器对采样后的I/Q路信号进行5
‑
20个采样点的延迟；3)接收端选取多个差分间隔，分别对经过延迟器的信号进行差分处理；4)接收端将多个差分处理后的信号绘制在同一个以I路和Q路为坐标轴的坐标空间中，形成多差分星座轨迹图；5)将信号的多差分星座轨迹图存储在设备指纹库中，作为该设备的射频指纹；6)将设备指纹库中存储的指纹作为数据集，训练得到一个基于孪生神经网络的设备识别网络，该网络的输入为两个射频指纹，输出为两个射频指纹的相似程度；7)当进行设备身份识别时，将待识别信号的多差分星座轨迹图与指纹库中的每个指纹进行组队，并将其放入设备识别网络中得到两者的相似度；8)将网络的输出放入判别器中，判别两个设备是否为同一设备，并为判别器设置一个足够优秀的阈值，使得阈值以下的相似度判决为同类设备，阈值以上的设备判决为异类设备，最终得到设备识别结果。2.根据权利要求1所述的基于射频指纹与深度学习的无线设备识别方法，其特征在于，所述步骤1)中的采样率大于奈奎斯特采样定律所需要的最低采样率。3.根据权利要求1所述的基于射频指纹与深度学习的无线设备识别方法，其特征在于，所述步骤3)选取的多个差分间...

【专利技术属性】
技术研发人员：程伟华，王纪军，徐超，承轶青，张明远，
申请(专利权)人：江苏电力信息技术有限公司，
类型：发明
国别省市：