一种基于残差网络模型的射频指纹识别方法技术

本发明专利技术属于物联网安全技术领域，具体来说是涉及一种基于残差网络模型的射频指纹识别方法。本发明专利技术首先将无线设备信号转换成固定大小的时频图，提取区分度更高的射频指纹特征，解决以信号样本序列作为射频指纹提取对象时，样本长度会影响后续算法结构和处理复杂度的问题。然后，针对无线设备信号时频图设计实现了深度学习模型CSAM

【技术实现步骤摘要】
一种基于残差网络模型的射频指纹识别方法


[0001]本专利技术属于物联网安全
，具体来说是涉及一种基于残差网络模型的射频指纹识别方法。

技术介绍

[0002]2020年发布了5G的第一个演进标准，在原有的基础上增加了高速率低延迟通信和大规模设备连接两大应用场景，进一步推动了物联网的快速发展。GSM协会预计到2025年将会有超过17亿人使用5G网络，这也就意味着在未来将会有大规模的无线设备连接起来，为各种全新的物联网应用提供服务。随着物联网应用变得更加普遍，设备通信中隐含的安全漏洞问题也随之而来。如何提供可靠的识别验证机制确保无线设备之间的通信是值得信赖的，是物联网技术发展不得不面对的挑战之一。
[0003]无线网络中的设备大多都在开放的环境中进行通信，空中传输的信息可以被网络中的所有用户接收获取到，因此如何有效保护无线网络的通信安全一直是专家学者们讨论研究的课题。传统保护无线网络高级别安全的实现方法大多是复杂和资源密集型的，这种方法并不适合所有物联网中的设备，特别是那些体积较小、资源和功率都受限制的设备。于是，基于物理层的射频指纹识别技术自提出以来就受到了广泛的研究和关注。通过提取发射器发射的电磁波中所包含的射频指纹，能够实现无线设备的身份认证，射频指纹是每个设备独有的特征，这些独特的特征产生于电子元件在制造和使用过程中固有的随机性，特别是无线电传输链中模拟元件存在的误差，这些误差就是产生射频指纹的基础。通过对这些误差的计算和分析，能够提取到无线通信设备在物理层独有的特征作为各自的身份凭证，进而确保通信的安全可靠。
[0004]如今，随着人工智能技术与射频指纹技术的融合，可以利用深度学习算法，对无线电波进行模式特征的自动提取，避免基于经验的人工特征提取环节。目前基于深度学习的射频指纹技术多采用时域信号样本序列作为模型输入，但该技术存在两个问题，一是有些射频指纹特征在时域中并不明显。二是当以信号样本序列作为输入进行模型训练时，需要大量的存储空间资源进行数据的存储，在训练时也会因为庞大的输入而造成训练的困难和费时。

技术实现思路

[0005]针对上述问题，本专利技术提供了一种基于残差网络模型的射频指纹识别方法，将固定大小的无线设备的信号图像作为深度学习模型的输入，解决了信号时域射频指纹特征单一和模型复杂度会随着信号样本序列增加而增加的问题。
[0006]本专利技术的技术方案为：
[0007]一种基于残差网络模型的射频指纹识别方法，包括以下步骤：
[0008]S1、将获取到的原始信号样本转化为时频图，具体为：将长度为N的原始信号样本划分成长度为L的N/L个子序列，并将每个子序列都进行Choi
‑
Williams变换，得到时频图；
[0009]S2、构建残差网络模型，具体为，在残差网络模型ResNet18的基础上，将原始残差块中的第一个标准卷积层替换成一个扩张率为2的空洞卷积层，构建空洞残差块，并在每个空洞残差块后插入混合注意力模块；所述混合注意力模块包括通道注意力模块和空间注意力模块，其中通道注意力模块首先对输入的特征图进行平均池化和最大池化，得到两个关于通道的特征描述，然后进行相加融合得到融合特征描述，将融合特征描述输入到多层感知器中进行训练学习，经过多层感知器运算以后得到一维的通道注意力矩阵，将通道注意力矩阵与输入的特征图对应位置元素相乘得到通道注意力特征图；所述空间注意力模块用于弥补通道注意力忽略的信息，首先对输入的特征图通过卷积层进行压缩，然后在水平和垂直方向上分别使用一个通道维度的全局平均池化分出两条支路对应时间和频率的特征向量，然后再将两个维度的特征图分别通过卷积层处理得到水平和垂直方向上的注意向量，并使用Sigmoid函数进行归一化得到空间权重系数，最近将输入特征图与两个注意力向量进行逐元素点乘运算，得到加权后的空间注意力特征图；
[0010]S3、利用S1获得的时频图对S2构建的残差网络模型进行训练，得到训练好的残差网络模型；
[0011]S4、将采集的射频指纹信号转化为时频图输入到训练好的残差网络模型进行识别。
[0012]进一步的，时频图的大小为64
×
64。
[0013]进一步的，空洞残差块中空洞卷积层的卷积核尺寸为3
×
3，扩张率为2，感受野大小为7，标准卷积层的卷积核尺寸为3
×
3，填充为1，步长为1；每一次卷积操作后都会进行一次归一化和非线性激活操作；空洞卷积模型为：
[0014][0015]其中，G
i
表示第i层的特征图，F
i
表示第i层卷积层，p表示卷积后生成的特征图内的点，a表示原始特征图G
i
内的点，b表示卷积层F
i
内的点，m表示扩张率。
[0016]进一步的，通道注意力矩阵为：
[0017]M(X)＝Sigmoid(MLP(AvgPool(X))+MLP(MaxPool(X)))
[0018]其中，X表示输入的特征图，MLP表示多层感知器。
[0019]进一步的，所述空间注意力模块得到的水平方向上的一维注意力向量为：
[0020][0021]垂直方向上的一维注意力向量为：
[0022]M
H
(X)＝Sigmoid(GAvgpool(W
θ
X)W
α
)
[0023]其中，W
θ
，W
α
分别表示3
×
3，1
×
7和7
×
1的卷积核权重参数；
[0024]加权后的空间注意力特征图X”为：
[0025]X”＝XM
W
(X)M
H
(X)。
[0026]本专利技术的有益效果为，本专利技术首先将无线设备信号转换成固定大小的时频图，提取区分度更高的射频指纹特征，解决以信号样本序列作为射频指纹提取对象时，样本长度会影响后续算法结构和处理复杂度的问题。然后，针对无线设备信号时频图设计实现了深度学习模型CSAM
‑
ResNet，实现射频指纹的自动提取，充分挖掘时频图中的细节信息和关键
特征信息，进一步提高复杂电磁环境下无线设备的识别能力。
附图说明
[0027]图1为本专利技术的残差网络主体框架。
[0028]图2为本实施例中空洞残差块Ⅰ结构图。
[0029]图3为本实施例中空洞残差块Ⅱ结构图。
[0030]图4为本实施例中通道注意力模块结构图。
[0031]图5为本实施例中空间注意力模块结构图。
[0032]图6为本实施例中混合注意力模块结构图。
具体实施方式
[0033]以下结合附图和实施例对本专利技术进行详细描述。
[0034]实施例
[0035]本例包括以下步骤：
[0036]首先，在生成信号图像之前需要将长度为N的原始信号样本划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络模型的射频指纹识别方法，其特征在于，包括以下步骤：S1、将获取到的原始信号样本转化为时频图，具体为：将长度为N的原始信号样本划分成长度为L的NL个子序列，并将每个子序列都进行Choi
‑
Williams变换，得到时频图；S2、构建残差网络模型，具体为，在残差网络模型ResNet18的基础上，将原始残差块中的第一个标准卷积层替换成一个扩张率为2的空洞卷积层，构建空洞残差块，并在每个空洞残差块后插入混合注意力模块；所述混合注意力模块包括通道注意力模块和空间注意力模块，其中通道注意力模块首先对输入的特征图进行平均池化和最大池化，得到两个关于通道的特征描述，然后进行相加融合得到融合特征描述，将融合特征描述输入到多层感知器中进行训练学习，经过多层感知器运算以后得到一维的通道注意力矩阵，将通道注意力矩阵与输入的特征图对应位置元素相乘得到通道注意力特征图；所述空间注意力模块用于弥补通道注意力忽略的信息，首先对输入的特征图通过卷积层进行压缩，然后在水平和垂直方向上分别使用一个通道维度的全局平均池化分出两条支路对应时间和频率的特征向量，然后再将两个维度的特征图分别通过卷积层处理得到水平和垂直方向上的注意向量，并使用Sigmoid函数进行归一化得到空间权重系数，最近将输入特征图与两个注意力向量进行逐元素点乘运算，得到加权后的空间注意力特征图；S3、利用S1获得的时频图对S2构建的残差网络模型进行训练，得到训练好的残差网络模型；S4、将采集的射频指纹信号转化为时频图输入到训练好的残差网络模型进行识别。2.根据权利要求1所述的一种基于残差网络模型的射频指纹识别方法，其特征在于，时频图的大小为64
×
64...

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