【技术实现步骤摘要】
本专利技术涉及信号识别，具体涉及一种分布式物联网设备的射频指纹识别方法及系统。
技术介绍
1、随着物联网的快速发展，单蜂窝网络接入的设备数量剧增，传统的基于密钥管理系统（pkc）需要承担更多的开销来存储和管理密钥，这为物联网的快速轻量级身份识别需求带来挑战。因此，基于发射器的物理硬件损伤的射频指纹识别成为新范式。相较于传统方法，基于射频指纹不需要密钥管理，适用数据大规模物联网设备接入场景，而且这些由固件损伤引起的偏差很小，不容易被篡改。
2、现有的与射频指纹识别相关的技术方案包括：
3、如专利公开号为cn116127298a的基于三元组损失的小样本射频指纹识别方法，该方法利用能量检测算法检测突发信号并采集，通过对信号样本的预处理获得信号样本集，并在三元组损失函数的约束下训练嵌入网络，能够实现射频指纹的特征提取，同时结合主成分分析（pca）降维技术进一步降低指纹维度获得良好的射频指纹分类能力，实现小样本场景下射频指纹识别，而上述方案只针对了小样本场景下射频指纹识别，这与物联网多样本大数据的场景不符合，同时，单点训练的应用场景和物联网发展的多接入场景并不适配。
4、如专利公开号为cn116522228a的一种基于特征模仿联邦学习的射频指纹识别方法，该方法针对边缘数据异构分布式场景隐私安全的问题，基于联邦学习采用本地分类器和联邦平均全局分类器对伪特征预测值之间的kl距离对全局分类器进行优化，得到全局分类器，以适应数据异构分布场景。
5、如专利公开号为cn114598517a的一种基于联邦
6、上述方案所存在的问题是利用深度学习方法对大批量信号数据的特征直接学习是困难的，因为信号数据的特征复杂不易总结。目前，分布式场景中射频指纹识别的研究甚少，而现有物联网的网络拓扑结构呈现出分布式形式，急需分布式场景的射频指纹识别技术。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本专利技术提供一种分布式物联网设备的射频指纹识别方法及系统，本专利技术通过部署多个射频边缘节点，由于射频设备可能会移动，要求所有边缘节点都能识别出系统内的射频设备，这使得每个边缘节点采集到的射频信号服从独立同分布；同时，为了减少数据泄露的风险，提高系统的鲁棒性，采用联邦学习的方法协同各个边缘节点训练射频指纹识别模型，将射频信号转化成频谱图来提取射频指纹，并基于射频指纹识别检测区域内射频设备的存在情况，能够实现更高准确率的指纹识别，具有抗干扰，鲁棒性强，识别准确率高，且具有分布式物联网中安全部署的意义，实现了数据不出域且节点间协同训练的特性。
2、为了达到上述目的，本专利技术采用以下技术方案：
3、本专利技术提供一种分布式物联网设备的射频指纹识别方法，包括下述步骤：
4、构建分层分布式网络拓扑结构，包括由中心服务器组成的核心层、由边缘节点组成的汇聚层、由射频设备组成的接入层，将每个边缘节点作为本地节点，将中心服务器作为全局节点；
5、边缘节点在设定的时间内接收作用域内射频设备发出的时域射频信号，得到正交幅度调制信号样本，并进行数据增强和数据预处理；
6、基于短时傅里叶变换将数据增强和数据预处理后的正交幅度调制信号样本处理成频谱图；
7、构建射频指纹识别模型，基于联邦学习循环迭代地执行本地训练和全局训练；
8、将频谱图作为本地训练射频指纹识别模型的训练集，选取多个本地节点作为当前轮次参与训练的节点，基于训练集训练射频指纹识别模型，并将模型参数发送给全局节点；
9、全局节点基于联邦平均算法将模型参数进行聚合，将更新后的模型参数下发给本地节点；
10、各个本地节点同步训练后的射频指纹识别模型，射频指纹识别模型将射频信号转化为射频指纹，识别出射频设备的身份，并监控在域情况。
11、作为优选的技术方案，所述边缘节点在设定的时间内接收作用域内射频设备发出的时域射频信号，在 t时刻所接收的信号表示为：
12、；
13、其中，表示为时变信道脉冲响应，是加性高斯白噪声，表示接收器的硬件损伤，表示卷积运算。
14、作为优选的技术方案，所述数据增强具体包括：
15、对边缘节点接收的信号添加多径和多普勒频移衰落，通过复制增加信号数据的数量，利用matlab模拟具有多径和多普勒效应的信道效应的信道，将复制增加后的信号数据通过所述信道，将人工高斯白噪声添加到信号中以模拟不同的信噪比水平。
16、作为优选的技术方案，所述数据预处理具体包括：
17、执行数据包检测算法，判断正交幅度调制信号样本中是否存在有效的无线数据包，若存在数据包则执行同步算法定位接收到的数据包的起始点，并执行载波频率偏移补偿。
18、作为优选的技术方案，基于短时傅里叶变换将数据增强和数据预处理后的正交幅度调制信号样本处理成频谱图，具体包括：
19、将长时信号分成多个重叠的短时段，每个时段作为一个窗口，对每个窗口内的信号应用傅里叶变换得到频谱信息，短时傅里叶变换具体表示为：
20、；
21、其中， j和 k表示的是行数的分量， k表示离散短时傅里叶复数矩阵 s的行数，是离散短时傅里叶复数矩阵 s的分量，c表示的是离散短时傅里叶复数矩阵 s的列数；
22、分析离散短时傅里叶复数矩阵 s的幅值，得到信号的频谱图，表示为：
23、；
24、其中，表示离散短时傅里叶复数矩阵 s的幅值。
25、作为优选的技术方案，离散短时傅里叶复数矩阵 s表示为：
26、；
27、其中，是矩阵中的元素表示k行c列的信道增益分量，是k行c列的原始信号的分量，对信号的硬件损伤扰动。
28、作为优选的技术方案，所述射频指纹识别模型基于vgg11作为射频指纹的提取器，由8个卷积层堆叠，并使用batch池化和relu激活函数，从频谱图提取射频指纹，利用两层的线性层对射频指纹进行分类，在最后一层线性层中使用softmax函数求出多个射频发射器中概率最大的类别。
29、作为优选的技术方案，所述本地训练具体包括：
30、选取n个本地节点作为当前轮次参与训练的节点，每轮参与训练本文档来自技高网...
【技术保护点】
1.一种分布式物联网设备的射频指纹识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述边缘节点在设定的时间内接收作用域内射频设备发出的时域射频信号，在t时刻所接收的信号表示为：
3.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述数据增强具体包括：
4.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述数据预处理具体包括：
5.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，基于短时傅里叶变换将数据增强和数据预处理后的正交幅度调制信号样本处理成频谱图，具体包括：
6.根据权利要求5所述的分布式物联网设备的射频指纹识别方法，其特征在于，离散短时傅里叶复数矩阵S表示为：
7.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述射频指纹识别模型基于VGG11作为射频指纹的提取器，由8个卷积层堆叠，并使用Batch池化和ReLU激活函数，从频谱图提取射频指纹，利用两层的线
8.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述本地训练具体包括：
9.根据权利要求8所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述全局节点基于联邦平均算法将模型参数进行聚合，将更新后的模型参数下发给本地节点，更新后的模型参数具体表示为：
10.一种分布式物联网设备的射频指纹识别系统，其特征在于，用于实现上述权利要求1-9任一项所述的分布式物联网设备的射频指纹识别方法，该系统包括：分层分布式网络、信号获取模块、数据增强模块、数据预处理模块、短时傅里叶变换模块、射频指纹识别模型构建模块、模型训练模块、射频指纹识别模块；
...【技术特征摘要】
1.一种分布式物联网设备的射频指纹识别方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述边缘节点在设定的时间内接收作用域内射频设备发出的时域射频信号，在t时刻所接收的信号表示为：
3.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述数据增强具体包括：
4.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所述数据预处理具体包括：
5.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，基于短时傅里叶变换将数据增强和数据预处理后的正交幅度调制信号样本处理成频谱图，具体包括：
6.根据权利要求5所述的分布式物联网设备的射频指纹识别方法，其特征在于，离散短时傅里叶复数矩阵s表示为：
7.根据权利要求1所述的分布式物联网设备的射频指纹识别方法，其特征在于，所...
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。