【技术实现步骤摘要】
本专利技术涉及物联网自动识别与人工智能，具体地说是一种物联网设备rfid方法。
技术介绍
1、随着物联网的快速发展，大量设备通过无线通道连接到网络。然而，无线信道的广播特性使得攻击者可以通过冒充合法节点的身份来连接接入点(ap)。攻击者可以通过恶意监听、篡改或丢弃传输信息来破坏合法通信。无线安全问题愈发受到人们关注。rfid利用硬件缺陷带来独特特征来标记设备身份，在实现轻量级和高可靠的身份验证方面具有优势。然而，射频指纹是偶然造成的，且同类型设备之间的电子容差标准存在上限，导致射频特征空间有限，海量物联网设备之间的区分度较差。因此，一种有效的特征提取方法非常重要。
技术实现思路
1、本专利技术的技术任务是针对以上不足之处，提供一种物联网设备rfid方法，具有较高设备识别准确率，并具有较大性能提升。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种物联网设备rfid方法，首先将射频数据输入lstm，以获得包含时间信息的长期依赖特征；然后设计cnn进行二次特征提取，以扩大射频差异，并进一步用于设备分类；
4、该方法的实现包括离线训练阶段和在线识别阶段：
5、离线训练阶段包括数据预处理和lstm-cnn认证模型的建立；将iq基带数据进行预处理，使其适用于神经网络的输入格式，再输入lstm-cnn模型进行训练；利用深度神经网络的权重来映射rf特征，从而建立基于学习的指纹数据库；从而建立一个完整的带有特征数据库的lstm-cnn认证模
6、在线识别阶段，将未知节点的射频数据被输入到训练好的lstm-cnn认证模型中，模型检测未知数据与数据库中存储的特征之间的相似性，lstm-cnn模型将根据相似性检测结果做出最终的分类决策，从而实现海量物联网设备的rfid。
7、相较于lstm、cnn和其他深度学习方法，本方法具有较高设备识别准确率，并具有较大性能提升。
8、优选的，所述将iq基带数据进行预处理，将长基带iq信号划分为等长128的子序列；为提高学习效率并加快收敛速度，将其进行最大最小归一化，对原始数据进行线性变换，将数据限制为[0,1]区间，然后将身份标签添加到数据中，以区分来自不同物联网设备的射频信息；最后得到带有标签信息的子序列集合，以适应神经网络的输入格式。
9、优选的，所述lstm-cnn认证模型的建立包括：初始特征提取阶段、二次特征提取阶段、分类决策阶段；预处理后的iq子序列被输入到pre-lstm中进行初始特征提取；然后通过cnn后结构中的卷积层、池化层、全连接层进行二次特征提取；最后通过softmax函数进行分类决策。
10、进一步的，所述lstm-cnn认证模型建立的具体过程如下：
11、1)、初始特征提取：预处理后的子序列集x＝{x1,x2,…,xn}被输入lstm网络中，并由多个顺序链接的存储单元进行处理；存储内存中保留的先前数据的信息由“遗忘门”控制，而“输入门”控制下一刻添加的新信息；最终通过“输出门”提取出带有时间属性的初始特征向量h＝{h1,h2,…,hn}；
12、2)、二次特征提取：将通过lstm获得的特征向量h输入cnn进行卷积运算；通过多次卷积提取局部特征信息，进一步放大rf指纹的差异；进行降维采样，将所有特征在全连接层中组合，局部特征合并为全局特征；
13、3)、分类决策：将全局特征输入到softmax分类器中，实现设备身份的最终决策。
14、优选的，在二次特征提取中，所述进行降维采样，为了降低网络复杂度并最小化计算量，在池化层通过最大池化实现下采样，即用池化窗口内的最大特征值来代替该区域的网络输出，实现降维。
15、进一步的，所述将全局特征输入到softmax分类器中实现设备身份的最终决策，softmax函数输出的是分类概率，以向量的形式表示，向量中的每个元素值都在[0,1]区间内，所有元素之和为1；softmax函数表达如下：
16、
17、其中k是设备分类类型，k∈[0,n]，n是设备数量。
18、进一步的，利用交叉熵损失函数li来判断模型输出的质量，从而进一步优化模型参数；
19、
20、损失函数li与正确分类结果的比例有关，值越小表明模型性能越好。
21、优选的，所述在线识别，当未知节点连接到网络时，ap侧采集的射频基带信号被输入到训练好的lstm-cnn认证模型中，以检测与特征数据库的相似度；
22、模型的输出表示为概率集p＝{p1,p2,…,pn}，其中pi表示未知节点与数据库中第i个设备的相似度；如果max{p1,p2,…,pn}<α，即未知节点的射频特性与存储的设备不太相似，因此判断为该未知节点为非法节点device，其中α表示网络模型的决策阈值；否则，py＝max{p1,p2,…,pn}，则确定数据库中对应的设备类型为未知节点的身份；
23、最后，ap根据认证模型得到的分类结果，决定是否允许未知节点访问网络，从而保证无线安全。
24、本专利技术还要求保护一种物联网设备rfid装置，包括：至少一个存储器和至少一个处理器；
25、所述至少一个存储器，用于存储机器可读程序；
26、所述至少一个处理器，用于调用所述机器可读程序，实现上述的方法。
27、本专利技术还要求保护一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，实现上述的方法。
28、本专利技术的一种物联网设备rfid方法与现有技术相比，具有以下有益效果：
29、本方法针对物联网环境中海量设备之间射频指纹识别不明显的问题，提出了基于lstm-cnn模型机器学习算法的海量物联网设备rfid方法，可结合lstm感知上下文信息的能力和cnn出色的分类优势，更好地利用rf信号在时间维度上的长期依赖性，实现海量物联网设备的准确识别，具有高精度、高可靠性、自动化和可扩展性等优势。
本文档来自技高网...【技术保护点】
1.一种物联网设备RFID方法，其特征在于，首先将射频数据输入LSTM，以获得包含时间信息的长期依赖特征；然后设计CNN进行二次特征提取，以扩大射频差异，并进一步用于设备分类；
2.根据权利要求1所述的一种物联网设备RFID方法，其特征在于，所述将IQ基带数据进行预处理，将长基带IQ信号划分为等长128的子序列；并将其进行最大最小归一化，对原始数据进行线性变换，将数据限制为[0,1]区间，然后将身份标签添加到数据中，以区分来自不同物联网设备的射频信息；最后得到带有标签信息的子序列集合，以适应神经网络的输入格式。
3.根据权利要求1或2所述的一种物联网设备RFID方法，其特征在于，所述LSTM-CNN认证模型的建立包括：初始特征提取阶段、二次特征提取阶段、分类决策阶段；预处理后的IQ子序列被输入到pre-LSTM中进行初始特征提取；然后通过CNN后结构中的卷积层、池化层、全连接层进行二次特征提取；最后通过softmax函数进行分类决策。
4.根据权利要求3所述的一种物联网设备RFID方法，其特征在于，所述LSTM-CNN认证模型建立的具体过程如下
5.根据权利要求4所述的一种物联网设备RFID方法，其特征在于，在二次特征提取中，所述进行降维采样，在池化层通过最大池化实现下采样，即用池化窗口内的最大特征值来代替该区域的网络输出，实现降维。
6.根据权利要求4所述的一种物联网设备RFID方法，其特征在于，所述将全局特征输入到softmax分类器中实现设备身份的最终决策，softmax函数输出的是分类概率，以向量的形式表示，向量中的每个元素值都在[0,1]区间内，所有元素之和为1；softmax函数表达如下：
7.根据权利要求6所述的一种物联网设备RFID方法，其特征在于，利用交叉熵损失函数Li来判断模型输出的质量，从而进一步优化模型参数；
8.根据权利要求7所述的一种物联网设备RFID方法，其特征在于，所述在线识别，当未知节点连接到网络时，AP侧采集的射频基带信号被输入到训练好的LSTM-CNN认证模型中，以检测与特征数据库的相似度；
9.一种物联网设备RFID装置，其特征在于，包括：至少一个存储器和至少一个处理器；
10.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，实现权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种物联网设备rfid方法，其特征在于，首先将射频数据输入lstm，以获得包含时间信息的长期依赖特征；然后设计cnn进行二次特征提取，以扩大射频差异，并进一步用于设备分类；
2.根据权利要求1所述的一种物联网设备rfid方法，其特征在于，所述将iq基带数据进行预处理，将长基带iq信号划分为等长128的子序列；并将其进行最大最小归一化，对原始数据进行线性变换，将数据限制为[0,1]区间，然后将身份标签添加到数据中，以区分来自不同物联网设备的射频信息；最后得到带有标签信息的子序列集合，以适应神经网络的输入格式。
3.根据权利要求1或2所述的一种物联网设备rfid方法，其特征在于，所述lstm-cnn认证模型的建立包括：初始特征提取阶段、二次特征提取阶段、分类决策阶段；预处理后的iq子序列被输入到pre-lstm中进行初始特征提取；然后通过cnn后结构中的卷积层、池化层、全连接层进行二次特征提取；最后通过softmax函数进行分类决策。
4.根据权利要求3所述的一种物联网设备rfid方法，其特征在于，所述lstm-cnn认证模型建立的具体过程如下：
5.根据权利要求4所述的一种物联网设备r...
【专利技术属性】
技术研发人员：张彦玉，朱翔宇，王明圣，徐文凯，金长新，魏子重，
申请(专利权)人：山东浪潮科学研究院有限公司，
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。