一种基于深度对比学习的射频指纹无监督盲识别方法技术

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深度对比学习的射频指纹无监督盲识别方法。本发明专利技术能够在没有源信号先验信息和专家经验介入的情况下自动完成射频指纹的盲识别工作，大大减少了人工标注的耗费的时间和人力成本。本发明专利技术在面对多个发射机伪装成同一个身份标识进行的仿冒攻击，或单一设备模拟出多个身份进行的女巫攻击时，能够对射频指纹进行无监督聚类分析，有效甄别来源设备数量，从而有效检测上述攻击的存在。此外，模型还能够在实际恶劣复杂的电磁环境中保持良好的盲识别效果。盲识别效果。盲识别效果。

【技术实现步骤摘要】
一种基于深度对比学习的射频指纹无监督盲识别方法


[0001]本专利技术属于物联网安全
，具体来说是涉及一种基于深度对比学习的射频指纹无监督盲识别方法。

技术介绍

[0002]随着物联网(IoT)和第五代移动通信技术(5G)的快速发展，无线设备的数量及密度正在快速增长，有研究估计，一些城市地区每平方公里有超过100万台无线设备互联互通。无线网络中的通信安全通常都是基于用户口令、加密算法和各种网络通信协议，容易遭到窃听、监控、重放等网络攻击。然而，设备之间的硬件特定差异难以被模拟，即使同一型号的无线设备，其内部元器件在制造和使用过程中也会产生各种细微的差异，通过对这些固有误差的分析和提取，可以形成移动设备独一无二的特征，即射频指纹(RFF)。射频指纹具有唯一性、长时不变性等特点，可以作为设备的物理层特征，且射频指纹识别工作直接作用于物理层，既可以单独运作，也可以对物理层以上的各种传统无线网络安全机制进行结合和增强。
[0003]当前大部分对射频指纹识别的研究都聚焦在有先验知识的基础上，需要对每个设备或者每类设备进行指纹采集，获得的指纹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度对比学习的射频指纹无监督盲识别方法，其特征在于，包括以下步骤：S1、对获取到的无线电设备I/Q信号进行数据增强处理，所述数据增强处理方法为从以下三种数据增强方式中随机选取两种方法：
①
加性高斯白噪声增强方法：向I/Q信号样本中加入随机强度的加性高斯噪声；
②
瑞利信道衰落增强方法：使用瑞利衰落信道对I/Q信号样本进行增强；
③
随机丢失增强方法：在I/Q信号样本中随机选取设定长度的连续区域，将该区域的I/Q数据置为0；定义样本x
i
进行增强后得到增强样本和上标a和b代表三种数据增强方式中的两种，对获取的N个样本进行增强后得到2N个I/Q样本S2、构建深度残差收缩神经网络，包括卷积层和残差收缩层，其中卷积层采用非线性函数LeakReLU作为激活函数，残差收缩层由残差收缩栈堆叠构成，残差收缩栈由依次连接的卷积层、两个残差收缩单元和池化层构成；残差收缩单元是一个残差跳层连接的结构，首先对输入的特征图P进行两次卷积得到x，对x进行全局平均池化后得到1
×1×
C维的特征向量，C是通道数，将得到的特征向输入到两个全连接层，第一个全连接层使用ReLU激活，并进行BN操作，第二个全连接层使用Sigmoid函数进行激活，得到α：其中，z为第二个全连接层的输出，α即为学习到的缩放向量，向量中的值在(0,1)之间；将α与特征向量相乘得到动态阈值λ
C
：λ
C
＝α
C
·
GAP(C)其中，GAP表示全局平均池化操作，λ
C
代表通道C对应的阈值，α
C
代表通道C对应的缩放系数，将所有的动态阈值用λ表示，将λ和x输入动态阈值函数F(
·
)得到：最后将F(x,λ)与P相加得到残差收缩单元的输出P
′
：P
′
＝P+F(x,λ)最后残差收缩栈的输出经过批归一化和ReLU激活函数后得到最终样本特征；S3、利用增强样本对构建的深度残差收缩神经网络进行训练，设计损失函数包括实例级对比损失和类簇级对比损失，定义两种增强样本分别通过深度残差收缩神经网络得到的特征为和具体损失函数设计方法为：实例级对比损失函数设计：将两种增强方式得到的样本构成样本对，选择组成正样本对，剩下2N
‑
2对样本均视为负样本对，采用两个全连接层g
I
(
·
)，将样本...

【专利技术属性】
技术研发人员：林迪，肖品宏，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：