一种基于波束模式的射频指纹方法技术

本发明专利技术涉及一种基于波束模式的射频指纹方法，该方法利用IEEE802.11ad协议提取毫米波设备的波束模式轨迹特征构建可区分单个设备的毫米波射频指纹，包括以下步骤：S1：提取毫米波设备的波束模式轨迹信号特征；S2：基于提取的毫米波设备波束模式轨迹信号，采用孪生网络模型对基于波束模式轨迹的射频指纹进行学习和训练；S3：训练样本训练好识别模型之后，利用模型对未知指纹信号进行测试识别，并判断新接入的通信设备是否是之前已经被记录的合法设备，从而实现射频指纹识别。本方法无需复杂的信号处理或特征提取，无需高端信号分析仪及额外的硬件支持；不需要考虑不同的距离和方向，还可以潜在地转移到其他毫米波通信网络，具有广阔的应用前景。广阔的应用前景。广阔的应用前景。

【技术实现步骤摘要】
一种基于波束模式的射频指纹方法


[0001]本专利技术属于射频指纹
，涉及一种基于波束模式的射频指纹方法。

技术介绍

[0002]射频指纹识别是一种物理层安全认证方法，区别于传统的密码和对等协议认证，射频指纹是通过发射机硬件差异在信号中的表现不同来对发射机设备进行识别的一种方式。发射机的硬件差异主要体现在本振信号的IQ不平衡，非线性功率放大，滤波器和直流偏执等差异。由于这种差异不可更改，是属于硬件本身的属性，因此相比密码认证方式更加安全和可靠。目前随着IOT设备的连接数爆炸式增长，针对于比较廉价的低端设备，这种差异会更加明显，哪怕是同一家厂商的同一批设备之间也会有硬件的差异。利用射频指纹进行安全认证接入是一个具有研究价值的课题和方向。
[0003]现有射频指纹技术主要包括：(1)基于无线信道的指纹识别：采用了位置特征，如接收信号强度(RSS)，信道频率响应(CFR)，信道脉冲响应(CIR)，通常用于静态场景。(2)基于硬件的指纹：采用了由发射器硬件精度上的微小差异性，如载波频率偏移、调制偏移。现有技术目前存在以下局限性：基于信道的指纹识别技术难以克服共位攻击，也就是当攻击者距离合法发射机非常近时，这种基于位置的指纹技术区分不同设备的效果将非常差；基于硬件的指纹识别中，大多数现有的基于硬件的指纹识别方案需要高端分析仪或软件定义的无线电设备来提取高精度的设备相关信号特征。这意味着额外的硬件部署开销或更高的硬件要求，这在现有物联网设备中很难实现。
[0004]因此，在物联网设备的识别和认证技术方面，目前急需一种不依赖额外高端信号分析设备可以克服共位攻击的射频指纹技术。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于波束模式的射频指纹方法，该方法基于毫米波通信过程中多天线波束模式的扫描过程呈现的信噪比轨迹具有设备独特性和长时间稳定性，利用IEEE 802.11ad协议提取毫米波设备的波束模式轨迹特征构建可区分单个设备的毫米波射频指纹，从而实现射频指纹识别。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于波束模式的射频指纹方法，该方法利用IEEE 802.11ad协议提取毫米波设备的波束模式轨迹特征构建可区分单个设备的毫米波射频指纹，具体包括以下步骤：S1：提取毫米波设备的波束模式轨迹信号特征；S2：基于提取的毫米波设备波束模式轨迹信号，采用孪生网络模型对基于波束模式轨迹的射频指纹进行学习和训练；S3：射频指纹识别：利用训练样本训练好识别模型之后，利用模型对未知指纹信号进行测试识别，并判断新接入的通信设备是否是之前已经被记录的合法设备，从而实现射频指纹识别。
[0008]进一步，在步骤S1中，利用IEEE 802.11ad协议过程中多次波束模式的扫描过程提取波束模式轨迹信号，具体包括：
[0009]将用于分类的反向传播神经网络训练视为一个最小化问题，即寻找最佳权重W
B1
、W
B2
和W
B3
、以及偏差B
B1
和B
B2
，即：
[0010][0011]其中g
B
(*)是反向传播神经网络中的主动函数，i1＝1，...，M1和i2＝1，...，M2分别表示两个隐藏层中的神经元数量；i3＝1，...，M3，表示训练样本数；x
B
是一组向量，表示原始设备扇区级扫描SLS中的信噪比SNR轨迹，即反向传播神经网络的训练样本，其相应的标签由Y
B
表示；
[0012]随着网络收敛，损失函数E
B
得值达到一定范围，训练完成，从SLS SNR记录信道中提取独特的特征，提取的特征数据F
B
表示为如下形式：
[0013]F
B
＝g
B
(W
B2
*g
B
(W
B1
*x
B
+B
B1
)+B
B2
)。
[0014]进一步，在步骤S2中，在提取特定设备的波束模式轨迹信号之后，采用孪生网络模型对基于波束模式轨迹的射频指纹进行学习和训练，具体包括：
[0015]训练数据由两组训练样本组成，一组称为正向样本L
G
(.)，由来自同一个设备的波束模式轨迹信号组成，另一组称为负向样本L
I
(.)，由来自不同设备的波束模式轨迹信号组成；上下两个神经网络参数相同，通过设计损失函数，即：
[0016]Loss＝L
G
(E
E
，E
C
)+L
I
(E
E
，E
C
)
[0017]其中E
E
表示欧几里得距离，E
C
表示余弦距离，L
G
(.)为正的情况下的损失函数，L
I
为负的情况下的损失函数。
[0018]考虑欧氏距离和余弦距离的特性，在正的情况下，在模型训练期间，欧几里德距离应该下降，而余弦距离应该增加；相反，在负的情况下，欧氏距离应增加，而欧氏距离应下降；根据观察，L
G
(.)表示为：
[0019][0020]L
I
(.)表示为：
[0021][0022]其中t＝0表示正情况，t＝1表示负情况，Q1和Q2是平衡两个距离度量的两常数。
[0023]经过样本训练后，该神经网络模型能够最大化负向样本之间的距离而同时最小化正向样本之间的距离。
[0024]进一步，在步骤S3中，在利用训练样本训练好识别模型之后，利用模型对未知指纹信号进行测试识别，以此来判断新接入的通信设备是否是之前已经被记录的合法设备，具体包括：
[0025]从新接入设备采集波束模式轨迹信号，将其和它ID所声称的设备的记录信号一同输入训练好的孪生网络，经过孪生网络判断后给出两者是否是来自同一个设备的信号，如果是来自同一个设备则该新入设备是合法设备，如果孪生网络模型判断不是来自同一个设备，该新接入设备不是合法设备；
[0026]形式上表示为：若有一组SLS SNR跟踪信号，给出预测值，即二元
分类规则q:χ
→
Ψ＝{0，1}可以定义为：
[0027][0028]其中为SLS中的SNR轨迹，为输出预测值。
[0029]本专利技术的有益效果在于：
[0030]本专利技术提供的方法相对于现有技术具备以下优点：
[0031]1)低开销：无需复杂的信号处理或特征提取，无需高端信号分析仪及额外的硬件支持；
[0032]2)鲁棒性：仅使用一个接收机实现指纹技术可以在视距和非视距信道条件下工作，而不需要考虑不同的距离和方向。
[0033]3)可转移性：可以潜在地转移到其他毫米波通信网络，例如3GPP新无线电(NR)蜂窝网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于波束模式的射频指纹方法，其特征在于：该方法利用IEEE 802.11ad协议提取毫米波设备的波束模式轨迹特征构建可区分单个设备的毫米波射频指纹，具体包括以下步骤：S1：提取毫米波设备的波束模式轨迹信号特征；S2：基于提取的毫米波设备波束模式轨迹信号，采用孪生网络模型对基于波束模式轨迹的射频指纹进行学习和训练；S3：射频指纹识别：利用训练样本训练好识别模型之后，利用模型对未知指纹信号进行测试识别，并判断新接入的通信设备是否是之前已经被记录的合法设备，从而实现射频指纹识别。2.根据权利要求1所述的一种基于波束模式的射频指纹方法，其特征在于：在步骤S1中，利用IEEE 802.11ad协议过程中多次波束模式的扫描过程提取波束模式轨迹信号，具体包括：将用于分类的反向传播神经网络训练视为一个最小化问题，即寻找最佳权重W
B1
、W
B2
和W
B3
、以及偏差B
B1
和B
B2
，即：其中g
B
(*)是反向传播神经网络中的主动函数，i1＝1,
…
,M1和i2＝1,
…
,M2分别表示两个隐藏层中的神经元数量；i3＝1,
…
,M3，表示训练样本数；x
B
是一组向量，表示原始设备扇区级扫描SLS中的信噪比SNR轨迹，即反向传播神经网络的训练样本，其相应的标签由Y
B
表示；随着网络收敛，损失函数E
B
得值达到一定范围，训练完成，从SLS SNR记录信道中提取独特的特征，提取的特征数据F
B
表示为如下形式：F
B
＝g
B
(W
B2
*g
B
(W
B1
*x
B
+B
B1
)+B
B2
)。3.根据权利要求2所述的一种基于波束模式的射频指纹方法，其特征在于：在...

【专利技术属性】
技术研发人员：王宁，魏薏桥，向涛，李卫卫，郭尚伟，何家玲，刘高，
申请(专利权)人：重庆大学，
类型：发明
国别省市：