System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线通信技术,特别是一种基于机器学习的射频指纹识别方法及系统。
技术介绍
1、物联网应用系统的安全防护问题主要包括抗信号干扰、抗恶意入侵和通信防护三个方面。由于无线通信具有灵活组网、易于部署的特点,成为解决物联网系统“最后一公里”通信问题的首选方案。但是,无线通信系统由于其开放性,相比于传统的有线通信系统更易受到恶意的攻击。因此,设备射频指纹识别技术应运而生。
2、无线设备具有不同的射频指纹—即硬件的差异,这种硬件上的差异会反映在通信信号中,通过分析接收到的射频信号就可以提取出该特征。这种根据通信信号提取设备硬件特征的方法被称为“射频指纹提取”,从而利用射频指纹对不同的无线设备进行识别。该方法最早由加拿大的hall等人在对蓝牙等无线设备的分类与识别的研究中提出,利用发射机信号的瞬态部分来唯一地识别发射机的技术,即为射频指纹识别,构建了基于射频指纹的ieee 802.11b设备的入侵检测系统,以对抗mac地址克隆等攻击。
3、然而,现有的射频指纹识别技术存在计算繁琐、成本高、识别准确率低等问题亟待解决。
技术实现思路
1、专利技术目的:本专利技术的目的是提供一种计算量小、成本低、识别率高的基于机器学习的射频指纹识别方法及系统。
2、技术方案:本专利技术所述的一种基于机器学习的射频指纹识别方法,包括以下步骤:
3、步骤1、收集已有设备的射频指纹;
4、步骤1.1、在采集到设备射频信号后,首先对信号进行预处理,如对
5、步骤1.2、将预处理后的基带信号分为两路,一路送入差分模块,另一路送入i/q两路延迟器,经过延迟器处理后进入差分模块,即在复平面上绘制出差分星座图;
6、步骤1.3、得到差分星座图后,按照不同设备区分,将处理后的数据分类。
7、步骤2、搭建神经网络结构,导入射频指纹数据训练并得出识别模型;
8、步骤2.1、将差分星座图处理为二维实值矩阵,将训练样本按9:1分为训练集与测试集;记设备数为n,则生成的标签数为n,每个设备的标签为0或1,记为矩阵形式;
9、步骤2.2、使用keras框架,采用随机梯度下降法,引入adam自适应学习率算法和正则化方法,搭建cnn模型,使用训练集及其标签训练卷积神经网络;cnn模型前几层采用卷积和池化层,最后三层则采用全连接的方式,采用bp算法调整参数和权重。
10、步骤2.2.1、卷积层卷积:在一个卷积层上,特征图由几个不同的卷积核分别与上一层的输出特征图进行卷积,之后再通过一个激活函数得到,每一个输出图是卷积多个输入图的加权和;
11、步骤2.2.2、下采样层采样:下采样层按设定比例减小与之相连的前一层输出图的维度,但不改变输出特征图的数量;
12、步骤2.2.3、采用线性变换调整参数,即y=wx+b,其中w和b为常数,x为前级输出,w和b采用误差的梯度下降法求解。
13、步骤2.2.4、识别率计算:输出标签值与理想标签的误差为ε,找到符合ε≤0.1的样本并统计出个数,即得到识别率correct:
14、correct=∑x/m
15、其中,当ε≤0.1时,x取1,当ε>0.1时,x取0;分母m为总的测试数据个数。
16、步骤3、将待测设备射频指纹导入训练好的识别模型进行检验,得出识别结果。
17、收集待测设备的射频指纹信息,并导入训练好的识别模型,得出表示标签的行向量,判断其是否属于已经录入的设备,并根据准确率识别为哪一个设备。
18、一种基于机器学习的射频指纹识别系统,包括以下模块:
19、指纹采集模块:用于收集已有设备的射频指纹;
20、神经网络模块:用于搭建神经网络结构,导入射频指纹数据训练并得出识别模型;
21、识别检验模块:用于将待测设备射频指纹导入训练好的识别模型进行检验,得出识别结果。
22、指纹采集模块收集指纹的步骤如下:
23、在采集到设备射频信号后,首先对信号进行预处理,如对信号进行能量归一化,排除发射端因发射功率不同而对信号产生的影响;
24、将预处理后的基带信号分为两路,一路送入差分模块,另一路送入i/q两路延迟器,经过延迟器处理后进入差分模块,在复平面上绘制出差分星座图;
25、得到差分星座图后,按照不同设备区分,将处理后的数据分类。
26、神经网络模块的运行步骤为:
27、(1)将差分星座图处理为二维实值矩阵,将训练样本按9:1分为训练集与测试集;记设备数为n,则生成的标签数为n,每个设备的标签为0或1,记为矩阵形式;
28、(2)使用keras框架,采用随机梯度下降法,引入adam自适应学习率算法和正则化方法,搭建cnn模型,使用训练集及其标签训练卷积神经网络;cnn模型前几层采用卷积和池化层,而最后三层则采用全连接的方式,采用bp算法调整参数和权重。
29、识别检验模块的运行步骤为:
30、收集待测设备的射频指纹信息,并导入训练好的识别模型,得出表示标签的行向量,判断其是否属于已经录入的设备,并根据准确率识别为哪一个设备。
31、一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种基于机器学习的射频指纹识别方法。
32、一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于机器学习的射频指纹识别方法。
33、有益效果:与现有技术相比,本专利技术具有如下优点:
34、1、本专利技术通过深度学习的方法,构造训练集,训练卷积神经网络,训练好之后,每当接收到的设备射频信号发生变化时,将其处理后输入卷积神经网络,即可得到识别结果,无需重复繁琐的计算,以较低的复杂度,获得了较优的识别率;
35、2、本专利技术在网络训练好之后,只要设备射频指纹数据库不发生变化,便无需进行新的训练;能够在不解调通信数据的前提下区分不同的无线设备,可以实现非接触式设备身份识别与认证。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的射频指纹识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤1具体为:
3.根据权利要求1所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤2具体为:
4.根据权利要求3所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤2.2具体为:
5.根据权利要求1所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤3具体为:
6.一种基于机器学习的射频指纹识别系统,其特征在于,包括以下模块:
7.根据权利要求5所述的一种基于机器学习的射频指纹识别系统,其特征在于,指纹采集模块收集指纹的步骤如下:
8.根据权利要求5所述的一种基于机器学习的射频指纹识别系统,其特征在于,神经网络模块的运行步骤为:
9.根据权利要求5所述的一种基于机器学习的射频指纹识别系统,其特征在于,识别检验模块的运行步骤为:
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序
11.一种计算机设备,包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的一种基于机器学习的射频指纹识别方法。
...【技术特征摘要】
1.一种基于机器学习的射频指纹识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤1具体为:
3.根据权利要求1所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤2具体为:
4.根据权利要求3所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤2.2具体为:
5.根据权利要求1所述的一种基于机器学习的射频指纹识别方法,其特征在于,所述步骤3具体为:
6.一种基于机器学习的射频指纹识别系统,其特征在于,包括以下模块:
7.根据权利要求5所述的一种基于机器学习的射频指纹识别系统,其特征...
【专利技术属性】
技术研发人员:田宇,于佳,赵阳,李洋,申昉,刘锐,韩旭东,王凯亮,罗先南,杨爽,
申请(专利权)人:国网冀北电力有限公司信息通信分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。