一种基于深度学习的用频设备射频指纹识别方法技术

本发明专利技术属于神经网络和射频指纹识别技术领域，具体来说是涉及一种基于深度学习的用频设备射频指纹识别方法。本发明专利技术包括：采集相应的射频信号并进行解析，以I/Q数据的形式进行存储；对I/Q数据进行基于调制方式的整形处理预处理，构建训练/测试数据集；构建RCAN

【技术实现步骤摘要】
一种基于深度学习的用频设备射频指纹识别方法


[0001]本专利技术属于神经网络和射频指纹识别
，具体来说是涉及一种基于深度学习的用频设备射频指纹识别方法。

技术介绍

[0002]随着现代通信技术的发展和5G网络的普及，物联网的应用得到了极大的拓宽，在线的移动设备以及传感器部署量爆炸式增长。海量的设备将产生前所未有的数据量，由于物联网中存在伪造合法身份的网络安全隐患，接入方的认证和访问控制成为物联网领域的一个关键问题。物联网的节点中大部分都是简单的传感器，而传统身份认证技术往往是依靠运算复杂的加密算法，轻量级设备的算力无法满足可用安全性要求。同时，用频设备数量的膨胀也使得电磁环境日益复杂，维护无线电秩序与安全，防范非法用户，对于助推国家无线电治理体系和治理能力现代化日益重要。在这个背景下射频指纹识别技术成为关键的研究工作，该技术即可以实现在物理层上的身份认证安全机制，也为电磁空间的态势分析奠定了基础。
[0003]由于电子元件的公差效应，射频指纹在射频发射终端设备出厂的时候已经固定，可以作为在开放性无线网络的接入设备身份安全凭证，如何有效、准确地在实际应用环境中进行射频指纹的识别也成为亟待解决的问题。目前，主流的射频指纹识别技术主要基于传统机器学习，研究重点在于对射频信号进行特征的复杂提取，其中需要通信领域的专家知识以及特定的射频信号状态判别，如瞬态信号提取方法和稳态信号提取方法，然后选择合适的指纹特征，利用机器学习算法计算移动设备之间的特征相似性来进行设备的识别。在实际的应用场景下，任何环境因素的改变都会影响射频信号的物理特性，如收发设备的间距移动造成的多普勒效应，需要对特征的提取流程做相应的调整。复杂的特征提取、以及不同特征生成的训练数据分布不同，每种机器学习算法都有侧重点，在一些任务的识别中表现不错，但在其他方面表现不佳。这就导致了在实际的应用环境中，传统机器学习技术无法满足射频指纹识别在系统的数据处理和识别过程中的一致性要求。
[0004]但是随着深度学习在各领域的迅速发展和优异表现，基于深度学习的射频指纹识别研究也陆续进行。深度学习凭借其强大的数据特征表征能力以及数据分布拟合能力，可以省去射频指纹特征提取的过程，直接将原始数据输入网络进行训练和识别。但是，该深度学习在射频指纹识别的应用上仍然面临着诸多的挑战：
[0005]1、真实的电磁环境中存在各种的噪声和干扰，如多用户的同频干扰以及多径衰落等。在低信噪比的环境下噪声和信号的衰变会掩盖设备之间的微小差异，基于深度学习的方法在低信噪比的环境下容易提取到局部的噪声无关特征，造成模型过拟合，无法实现高准确率的识别。
[0006]2、设备的射频信号在不同环境下的衰变情况不同，目前基于深度学习的射频指纹识别研究使用的大多为实验室简单模拟或仿真生成的数据，往往忽略了物联网设备分布环境的多样性，造成在实际场景运用中的不可复现。
[0007]3、由于在真实应用环境下，不同信号出现的频次和通信的持续时间长短各异，造成了不同设备采集的I/Q数据量分布不平衡。如果通过常规的交叉熵函数进行模型的优化训练，则原始采集数据上样本量过少的设备在模型训练中很难拟合，模型会更偏好将少样本类错划到多样本上。这就会导致模型难以识别新注册的、样本量少的设备。

技术实现思路

[0008]针对上述问题，本专利技术提出了一种基于深度学习的用频设备射频指纹识别方法。
[0009]本专利技术的技术方案为：
[0010]一种基于深度学习的用频设备射频指纹识别方法，包括以下步骤：
[0011]S1、采集不同信道环境中用频设备的射频信号。通过OFDM发射机发射QPSK调制的数字信号，并将数字信号输入不同的仿真信道，接着通过OFDM接收机接收经过信道后的采样信号，预处理后获得I/Q信号。最后将2
×
N大小的I/Q信号按照调制的相位重新排列为格式，得到训练数据集；
[0012]S2、构建深度识别网络模型，包括依次连接的输入层、卷积抽象层、注意力增强模块、输出层；
[0013]所述输入层的输入为训练数据，输入层的输出连接到卷积抽象层的输入；
[0014]所述卷积抽象层包括第一卷积层、第二卷积层，用于提取I/Q两路的数据在高度抽象特征；
[0015]所述注意力增强模块输入端为第一归一线性化层，与卷积抽象层中的第二卷积层输出相连，第一归一线性化层输出后进入通道注意选择机制；所述通道注意选择机制包含第三卷积层、第四卷积层，第三卷积层和第四卷积层同时与第一归一线性化层输出相连；所述第三卷积层、第四卷积层的输出进行分支融合后与第一全局平均池化层相连；所述第一全局平均池化层与第一全连接层进行相连；所述第一全连接层进行通道注意选择，同时与第二全连接层、第三全连接层进行连接，并使用SoftMax函数进行通道注意选择；所述通道注意选择将生成两路卷积分支权重向量与第一全局平均池化层的特征图元素相乘，得到第三卷积层、第四卷积层特征图的背景噪声阈值估计，使用动态阈值函数滤噪法对第三卷积层、第四卷积层的特征图进行过滤，过滤结果相加作为注意力增强模块输出结果，以此类推得到堆叠的注意力增强模块；
[0016]所述输出层依次包括第一Flatten层、第二全连接层和第三全连接层，所述第一Flatten 层的输入为注意力增强模块输出结果与卷积抽象层中的第二卷积层输出结果进行残差跨层连接；所述第二全连接层的输入为第一Flatten层输出，第二全连接层的输出与第三全连接层输入相连，第三全连接层输出结果经过SoftMax函数计算后得到预测用频设备的概率；
[0017]深度识别网络模型的损失函数为焦点损失函数：
[0018][0019]其中，K代表类别总数，p
i
代表类别i的预测概率，α
i
代表类别i的权重，根据样本数量用来平衡样本的相对重要性，数量越多的类别，α
i
越小，对loss
FL
的贡献越小，
ꢀ
N
i
为类别i的数量，γ代表难度权重；
[0020]S3、采用步骤S1获得的训练数据集对步骤S2构建的神经网络进行训练，得到训练好的深度识别网络模型；
[0021]S4、采用训练好的深度识别网络模型对目标用频设备射频指纹进行识别。
[0022]本专利技术的有益效果为：
[0023](1)本专利技术将残差网络、动态阈值激活函数、通道注意力机制以及焦点损失优化函数相结合，提出了一个基于通道注意力机制的残差网络RCAN
‑
RFF模型，RCAN
‑
RFF模型在高强度的电磁噪声环境下仍具有较高的识别精确性和较强的泛化能力，能够有效的满足低信噪比、信道多径衰落和信号数据集不平衡等实际问题。
[0024](2)本专利技术具有更好的识别精度，同时对于不同信号环境中的接收数据具有鲁棒性，大大减少了网络的训练数目。
[0025](3)本专利技术可应用于大规模数据量的智能识别场景中，极大的减少网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的用频设备射频指纹识别方法，其特征在于，包括以下步骤：S1、采集不同信道环境中用频设备的射频信号，具体为：通过OFDM发射机发射QPSK调制的数字信号，并将数字信号输入不同的仿真信道，接着通过OFDM接收机接收经过信道后的采样信号，预处理后获得I/Q信号，将2
×
N大小的I/Q信号按照调制的相位重新排列为格式，得到训练数据集；S2、构建深度识别网络模型，包括依次连接的输入层、卷积抽象层、堆叠的注意力增强模块、输出层；所述输入层的输入为训练数据，输入层的输出连接到卷积抽象层的输入；所述卷积抽象层包括第一卷积层、第二卷积层，用于提取I/Q两路的数据在高度抽象特征；所述堆叠的注意力增强模块由注意力增强模块堆叠构成，注意力增强模块的输入端为第一归一线性化层，与卷积抽象层中的第二卷积层输出相连，第一归一线性化层输出后进入通道注意选择机制；所述通道注意选择机制包含第三卷积层、第四卷积层，第三卷积层和第四卷积层同时与第一归一线性化层输出相连；所述第三卷积层、第四卷积层的输出进行分支融合后与第一全局平均池化层相连；所述第一全局平均池化层与第一全连接层进行相连；所述第一全连接层进行通道注意选择，同时与第二全连接层、第三全连接层进行连接，并使用SoftMax函数进行通道注意选择；所述通道注意选择将生...

【专利技术属性】
技术研发人员：胡苏，吴薇薇，杜钊楠，杨钿，黄恒洋，林迪，马上，唐万斌，靳传学，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：