一种基于卷积的射频指纹特征提取方法与流程

本发明涉及边缘计算的终端接入认证领域，尤其是涉及的一种基于卷积的射频指纹特征提取方法。

背景技术：

终端节点的接入认证是物联网安全的一个重要而具有挑战性的问题。射频指纹识别是该问题的一种很有前途的解决方案，通过寻找由于硬件制造缺陷引起的信号差异来提取指纹以执行终端节点访问认证，广泛地应用于物联网和边缘计算中。射频指纹识别作为一种发射机与接收机不对称的轻量级非密码接入认证技术，对终端节点设备的计算和存储能力要求很低，可以在不增加终端设备的计算和存储负担的情况下，提高安全性和保密性。

特征提取是射频指纹识别中的核心步骤，它将原始信号数据转换为一组具有明显物理意义或统计意义的特征，可以有效地发现更有意义的潜在变量，帮助对数据产生更深入的了解。此外，特征提取还可以减少数据冗余，以此降低数据存储空间和分类的计算复杂度。

常见的信号特征提取方法包括提取信号的短时能量、短时功率谱密度、短时自相关函数，或对信号进行短时傅里叶变换、小波变换等。前者适用于稳态信号或变化速度不大的非平稳信号，对于瞬态信号的处理能力较差；后者由于其计算复杂度较高，一般需要进行一定预处理，若对接收到的整个原始信号直接进行短时傅里叶变换或小波变换，则会大大提高识别系统的计算负载。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于卷积的射频指纹特征提取方法，能够使得卷积后的波形具有更易分辨的特征，令机器学习或深度学习更易识别。

本发明的目的是通过以下技术方案来实现的：一种基于卷积的射频指纹特征提取方法，包括以下步骤：

s1.检测原始信号的稳态部分频率f；

s2.建立预卷积核函数p：

gp(t)＝(u(t+π)-u(t-π))·sin(2ωt)；

其中ω＝2πf，u(t)表示阶跃函数，即：

s3.用预卷积核函数p与原始信号进行卷积：

h(t)＝s(t)*g1(t)；

其中s(t)为原始信号波形，h(t)为卷积后的波形；

s4.检测信号波形h(t)的起始点，利用该起始点对原始信号波形s(t)进行截取，获得截取后的开机瞬态信号s′(t)；

s5.建立正弦卷积核函数g1(t)和余弦卷积核函数g2(t)：

s6.利用正余弦卷积核函数分别与截取后的开机瞬态信号s′(t)进行卷积，得到h1′(t)和h2′(t)作为原始信号的指纹特征：

所述步骤s1之前，还包括信号采集步骤：对原始信号进行采集，并进行编号和保存。

所述步骤s6之后，还包括池化步骤和全连接步骤：

s7.池化：对卷积后的波形h1′(t)和h2′(t)进行小波变换：

其中dwt(f(t))表示对函数f(t)进行离散小波变换；

s8.全连接：将小波变换后的两个波形dh1′(t)和dh2′(t)首尾相连，得到特征函数dh(t)。

优选地，所述步骤s4中，起始点位置检测的方法包括但不限于绝对幅度值检测和斜率检测。

优选地，所述步骤s7中，小波变换中采用的小波基函数包括但不限于haar、db2、bior和morl小波基。

本发明的有益效果是：本发明选取特殊的卷积核函数，使信号波形与其卷积后呈现独特的形状，将信号波形在幅度、频率上出现瑕疵或突变更明显地显示出来，令机器学习或深度学习更易识别；通过调整卷积核函数，可以通过卷积精准地提取开机瞬态信号部分，有效地提高了识别准确率；此外，本发明模仿卷积神经网络对图片的处理方法，利用小波变换对卷积后的信号进行池化和全连接，进一步地提高了识别的准确率和稳定性。

附图说明

图1为本发明的方法流程图；

图2为本发明特征提取过程中的波形变换示意图；

图3为预卷积核函数的波形示意图；

图4为原始信号的波形示意图；

图5为卷积后的信号波形示意图；

图6为正弦卷积核函数的波形示意图；

图7为余弦卷积核函数的波形示意图；

图8为开机瞬态信号的波形示意图；

图9为开机瞬态信号与正弦卷积核函数的卷积波形示意图；

图10为开机瞬态信号与余弦卷积核函数的卷积波形示意图；

图11为卷积神经网络对信号进行卷积、池化和全连接的流程图；

图12为实施例中不同波形的识别率对比图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1～2所示，一种基于卷积的射频指纹特征提取方法，包括以下步骤：

s1.检测原始信号的稳态部分频率f；

s2.建立预卷积核函数p，其波形如图3所示：

gp(t)＝(u(t+π)-u(t-π))·sin(2ωt)；

其中ω＝2πf，u(t)表示阶跃函数，即：

s3.用预卷积核函数p与原始信号进行卷积：

h(t)＝s(t)*g1(t)；

其中s(t)为原始信号波形，如图4所示，h(t)为卷积后的波形，如图5所示；

s4.检测信号波形h(t)的起始点，利用该起始点对原始信号波形s(t)进行截取，获得截取后的开机瞬态信号s′(t)；

s5.建立正弦卷积核函数g1(t)和余弦卷积核函数g2(t)：

如图6所示，为正弦卷积核函数的波形示意图；如图7所示，为余弦卷积核函数的波形示意图；

s6.利用正余弦卷积核函数分别与截取后的开机瞬态信号s′(t)进行卷积，得到h1′(t)和h2′(t)作为原始信号的指纹特征：

开机瞬态信号s′(t)的波形如图8所示，h1′(t)表示开机瞬态信号与正弦卷积核函数的卷积，其波形如图9所示；h2′(t)开机瞬态信号与余弦卷积核函数的卷积，其波形如图10所示。

所述步骤s1之前，还包括信号采集步骤：对原始信号进行采集，并进行编号和保存。

如图11所示，所述步骤s6之后，还包括池化步骤和全连接步骤：

s7.池化：对卷积后的波形h1′(t)和h2′(t)进行小波变换：

其中dwt(f(t))表示对函数f(t)进行离散小波变换；

s8.全连接：将小波变换后的两个波形dh1′(t)和dh2′(t)首尾相连，得到特征函数dh(t)。

具体地，所述步骤s4中，起始点位置检测的方法包括但不限于绝对幅度值检测和斜率检测，本次实施中，采用绝对幅度值检测，幅度阈值设为±0.05(-1～1归一化后)，起始点选为阈值点前(起始点)后(截止点)整百位数的样本点。本次实施中截取为离散信号中第201个至第1200个共计1000个点，如图8所示。

所述步骤s7中，小波变换中采用的小波基函数包括但不限于haar、db2、bior和morl小波基。

在本申请的实施例中，利用本发明的特征提取方法进行终端节点的接入认证过程中，首先需要进行信号采集：由不同的合法终端向边缘计算侧发送信号，边缘计算侧在接收到信号后，进行编号和保存，以建立原始信号的数据库；然后按照本发明的特征提取方法，对每一个原始数据进行特征提取，然后采用机器学习(或深度学习算法)构建分类识别模型，利用提取到的特征对构建的分类识别模型进行训练以得到成熟分类识别模型；边缘计算侧在接收到来自未知终端的接入请求时，也利用本发明的特征提取方法，获得未知终端的指纹特征，然后将其送入成熟分类识别模型中，由分类识别模型输出的分类识别结果，作为接入认证的依据。在该实施例中，可以采用步骤s6得到的h1′(t)和h2′(t)进行实现机器学习识别处理，也可以采用步骤s8得到的特征函数dh(t)进行机器学习识别处理；在该实施例中，使用卷积神经网络来识别时，步骤s6、s7、s8，可以直接作为卷积神经网络的一部分。也可以在步骤s8获得特征函数后，使用其他机器学习或深度学习算法进行识别，机器学习算法包括但不限于k-近邻算法、朴素贝叶斯算法、svm算法和决策树算法，深度学习算法包括但不限于逻辑回归，单隐层神经网络、深度神经网络、卷积神经网络和循环神经网络。

如图12所示，为原始信号波形、采用单个三角函数进行卷积的波形与采用两个三角函数进行卷积并用小波变换进行池化最后全连接的波形的识别率对比图；可见本发明使用svm算法进行机器学习分类，采用卷积、池化(离散小波变换)、全连接方法处理后的信号波形的识别错误率，较不使用卷积的原始波形有了明显的降低，在信噪比为8db时就达到了99.6％的识别准确率。

综上，本发明将卷积引入射频指纹识别的信号处理步骤中，通过设立独特的卷积核函数，使得卷积后的波形具有更易分辨的特征。计算复杂度不高，带来的额外计算负荷和时间相对于机器学习或深度学习来说可以忽略不计，适用于采集到的信号不易分辨识别，或对分类准确率要求较高的射频指纹识别场景，具有识别准确率高、稳定可靠的优势。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。