基于特征相关与自适应分解的网卡频谱指纹特征放大方法技术

本发明专利技术属于辐射源指纹识别技术领域，具体涉及一种基于特征相关与自适应分解的网卡频谱指纹特征放大方法，具体指的是对无线网络信号检测过程中收到的多个网卡信号进行高精度频率估计，提取频谱指纹特征，并解决网卡设备之间辐射源个体特征差异较小的问题，实现细节放大。具体方法是提取了指纹信息更加丰富的局部频谱作为指纹特征，通过对多个辐射源的频谱特征进行加权求均值获得辐射源频谱特征的公共部分，基于自适应分解得到频谱特征的主体成分和杂散成分，同时在计算过程中基于相关运算实现频谱特征中的细节放大，同时消除了有意调制量，得到的经过放大的最终频谱特征，为后续提高网卡设备辨识成功率奠定基础。提高网卡设备辨识成功率奠定基础。提高网卡设备辨识成功率奠定基础。

【技术实现步骤摘要】
基于特征相关与自适应分解的网卡频谱指纹特征放大方法


[0001]本专利技术属于辐射源指纹识别
，具体涉及一种基于特征相关与自适应分解的网卡频谱指纹特征放大方法。

技术介绍

[0002]辐射源指纹识别技术，又叫做特定辐射源识别(Specific Emitter Identification,SEI)，是指提取电磁信号中能够体现辐射源发射机硬件差异的特征，以此识别特定辐射源设备的技术。硬件差异特征与传输的信号样式参数无关，独立于传输信息，不能伪造，无法避免。这种特定于辐射源硬件的信息以无意调制的方式附带在信号上。
[0003]对辐射源指纹识别而言，核心问题是对辐射源硬件差异的准确表征。用于识别的关键信息实际上是信号中蕴含的关于设备的无意调制。相比于有意调制，无意调制不是主要成分，是细微的不易察觉的。而且对有着相同有意调制方式的信号计算得到的特征是高度相似，其附带的能够体现其发射来源的无意调制的指纹信息实际上是非常微弱的。
[0004]因而在辐射源指纹识别中存在一个重要的问题：不同辐射源的硬件差异实际上很小，提取特征的绝大部分信息体现的是设备的共性，仅仅存在非常细微的个体性差异，给后续的分类识别带来了极大的困扰。
[0005]现有的研究为解决该问题，有的寄希望于利用更高精度的分类器，例如利用神经网络来进行细微差异的识别(CHEN P B,GUO Y L,LI G.Discriminative adversarial networks for specific emitter identification,Electronics Letters,2020,56(1).)；有的对信号的有意调制进行估计并消除(MERCHANT K,REVAY S,STANTCHEV G,NOUSAIN B,Deep Learning for RF Device Fingerprinting in Cognitive Communication Networks,IEEE Journal of Selected Topics in Signal Processing,2018.12(1):160
‑
167.doi:10.1109/jstsp.2018.2796446.)，然而估计精度会影响到无意调制信息，并引入新的误差；有的通过小波变换对信号主成分进行抑制(WU L W,NIU J P,WANG Z,et al.Primary Signal Suppression Based on Synchrosqueezed Wavelet Transform,Journal of Electronics&Information Technology,2019,42(8):2045
‑
2052.)，然而这些都是在时域对信号波形直接进行处理的。
[0006]相比于其他域特征，频域辐射源指纹特征相对稳定，受噪声环境影响比较小。但是信号频谱之间差异较小，特别是相同调制样式、调制参数的信号频谱高度相似。在此基础上提取的辐射源指纹特征非常细微，需要进行进一步的处理。
[0007]尽管来自不同设备的相同调制的信号频谱主体上相似，但是细微差异总是存在的，后者是辐射源指纹识别所关心的。通过特定处理和信号自适应分解手段，能够将主体成分和体现辐射源设备信息的差异成分分解出来。变分模态分解(Variational mode decomposition，VMD)是一种自适应、完全非递归的模态变分和信号处理的方法。该方法具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带
Signal Processing Letters,vol.27,pp.471
‑
475,2020.)。
[0021]S1.2，信号频偏估计与消除
[0022]实际传输的信号所在频段位置不同，实际接收也会导致一定的频偏，频偏值的存在会使得后续提取的频谱特征的范围确定存在一定的偏差，因此需要准确估计待处理信号样本的帧头部分x1(t)的频偏f0。由于待处理信号样本的帧头部分x1(t)是待处理信号样本x0(t)被截断的一部分，因此x0(t)和x1(t)的频偏是一样的，在频偏估计时，基于长度更长的x0(t)进行频偏估计可以提高估计精度；具体如下：
[0023]S1.2.1基于傅里叶插值算法对x0(t)的频偏值f0进行估计(具体估计方法见Aboutanios E,Mulgrew B.Iterative frequency estimation by interpolation on Fourier coefficients.IEEE Transactions on signal processing 2005；53(4):1237
‑
42.)；
[0024]S1.2.2根据f0将x1(t)搬移到零频，得到基带信号，消除频偏影响；
[0025]S1.2.3将基带信号进行去均值，能量归一化得到待特征提取的信号x2(t)；
[0026]S1.3，频谱特征计算
[0027]频谱特征上指纹信息分布并不均匀，在靠近中心频率处分布差异更明显(Liting Sun,Xiang Wang,Zhitao Huang,and Baoguo Li,Radio Frequency Fingerprint Extraction based on Feature Inhomogeneity.IEEE Internet of Things Journal,2022.DOI:10.1109/JIOT.2022.3154595)。
[0028]因此，本专利技术通过提取频谱中指纹信息最为丰富的局部频谱作为辐射源指纹特征，只保留主瓣附近一定宽度的频谱，而不是依赖全部频谱信息。计算方法简单便捷，且相比于利用全部频谱信息，信号特征维度大幅降低。
[0029]具体如下：
[0030]S1.3.1在0频处计算待特征提取的信号x2(t)的频谱f0(k)：
[0031][0032]其中，表示傅里叶变换；k表示傅里叶变换的频率索引值，也是频谱特征的维度索引值；N
FFT
表示傅里叶变换的点数；|
·
|表示计算幅度值。
[0033]S1.3.2设待特征提取的信号x2(t)的频谱f0(k)的主瓣3dB宽度为W
B
，取出峰值左右带宽为λ1W
B
的频谱作为初步频谱特征值f1(k),k＝1,...,K2，其中，λ1表示频谱范围的加权参数，K2表示截取部分以后的频谱长度，即初步频谱特征值f1(k)的长度。实验表明，λ1＝2可以满足识别要求。
[0034]S1.3.3对f1(k)计算二阶导数选择满足的最小值k
min
，其中，λ2表示权重系数，λ2＞0。
[0035]选择f1(k)上[k...

【技术保护点】

【技术特征摘要】
1.一种基于特征相关与自适应分解的网卡频谱指纹特征放大方法，其特征在于，该方法分为以下步骤：S1：数据处理与频谱特征提取具体如下：S1.1，数据接收和预处理接收机接收到信号后，对原始的信号进行检测、滤波、降噪预处理，获得待处理信号样本x0(t)；对待处理信号样本x0(t)进行分析，并通过检测获得待处理信号样本的帧头部分x1(t)；S1.2，信号频偏估计与消除具体如下：S1.2.1基于傅里叶插值算法对x0(t)的频偏值f0进行估计；S1.2.2根据f0将x1(t)搬移到零频，得到基带信号，消除频偏影响；S1.2.3将基带信号进行去均值，能量归一化得到待特征提取的信号x2(t)；S1.3，频谱特征计算具体如下：S1.3.1在0频处计算待特征提取的信号x2(t)的频谱f0(k)：其中，表示傅里叶变换；k表示傅里叶变换的频率索引值，也是频谱特征的维度索引值；N
FFT
表示傅里叶变换的点数；|
·
|表示计算幅度值；S1.3.2设待特征提取的信号x2(t)的频谱f0(k)的主瓣3dB宽度为W
B
，取出峰值左右带宽为λ1W
B
的频谱作为初步频谱特征值f1(k),k＝1,...,K2，其中，λ1表示频谱范围的加权参数，K2表示截取部分以后的频谱长度，即初步频谱特征值f1(k)的长度；S1.3.3对f1(k)计算二阶导数选择满足的最小值k
min
，其中，λ2表示权重系数，λ2＞0；选择f1(k)上[k
min
,K2]段作为待放大的频谱特征f(k)；S2：频谱基准特征提取与特征成分分析具体如下：S2.1，计算频谱基准特征假定共有M个无线网卡需要进行辐射源个体识别分析，第m个辐射源有N
m
个信号样本，则其第i个样本的待放大的频谱特征可以表示为f
im
(k),i＝1,...,N
m
,m＝1，...,M；此处，f
im
(k)即为S1的输出f(k)，为表示辐射源和信号样本的信息，用上角标m表示对应的辐射源的标签，下角标i表示当前辐射源的第i个信号样本；S2.1.1按照与S1相同的方法，计算得到全部辐射源的全部的样本的待放大的频谱特征并将其组成集合{f
im
(k)},i＝1,...,N
m
,m＝1，...,M；S2.1.2计算每个辐射源的特征均值
S2.1.3求加权平均值，得到频谱基准特征S2.1.3求加权平均值，得到频谱基准特征其中，α
m
为第m个辐射源特征权重，满足频谱基准特征是通过计算全部辐射源的全部训练样本得到的共性部分，被认为是辐射源的公共部分，也就是对辐射源个体识别无益的有意调制，下面对该部分进行抑制；S2.2，频谱基准特征细节放大对S2.1获得的频谱基准特征进行自相关运算，实现细节放大，得到标准频谱特征进行自相关运算，实现细节放大，得到标准频谱特征其中，表示自相关运算；此处的特征维度发生变化，J＝2K
‑
1；该步骤中的是对基于多部辐射源信号的加权平均值——频谱基准...

【专利技术属性】
技术研发人员：王翔，孙丽婷，黄知涛，李保国，王丰华，柯达，刘伟松，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：