一种基于瞬态-稳态的部分叠加射频指纹方法与流程

本发明涉及信息安全领域，尤其涉及一种基于瞬态-稳态的部分叠加射频指纹方法。

背景技术：

随着智能硬件技术的兴起，物联网(iot)的发展呈现出指数级增长态势，万物互联已成为技术发展和产业应用的必然趋势。于此同时，随着第五代移动通信技术(5g)的正式商用，超高速的数据传输、超宽的无线覆盖以及超低的数据时延将促进物联网在智慧城市、智能家居、智能交通、工业互联网、智慧电网、智慧医疗等领域进一步普及和拓展，全面推动蜂窝物联网终端规模化部署和应用。伴随着连接数急剧增多、接入速率飞速提升，未来海量的敏感机密数据将在无线信道上传输。一旦遭到非法攻击者的恶意入侵，导致这些信息泄露，将给用户带来直接的财产损失或人身伤害。因此，未来的无线网络应该具有很强的安全性和保密性。

近年来，基于射频指纹的设备识别和认证技术得到了广泛的关注。射频指纹是无线设备在生产制造过程中由于硬件容差和工艺技术导致的设备的本质特征，其具有唯一性和难以克隆的特性，可以有效抵御设备仿冒、篡改等攻击，可以用来进行物联网设备的身份识别和认证。

现有的射频指纹技术根据其提取特征的目标信号区间通常可以分成瞬态射频指纹技术和稳态射频指纹技术。然而，现有的这些方法在低信噪比(小于10db)下的性能很差，文献“onradiofrequencyfingerprintidentificationfordssssystemsinlowsnrscenarios”提出在多帧的场景下可以通过叠加相同的训练序列提高信噪比，但单帧场景下如何提高识别率还有待研究。

技术实现要素：

针对现有技术存在的问题，本发明的目的是提供一种基于瞬态-稳态的部分叠加射频指纹方法，实现对实际应用中无线设备的识别和认证。本发明首先对采集的信号进行能量归一化，频偏、相偏估计与补偿等预处理，然后将预处理后的信号分成瞬态信号部分和稳态信号部分，将稳态信号进行相同符号叠加，提高信噪比，然后和瞬态信号进行拼接，对拼接后的信号进行射频指纹提取和识别，提高设备在低信噪比场景下的识别性能。

本发明的目的通过以下技术方案实现：

一种基于瞬态-稳态的部分叠加射频指纹方法，其特征在于：对采集的信号进行能量归一化，频偏、相偏估计与补偿预处理；然后将预处理后的信号分成瞬态信号部分和稳态信号部分，将稳态信号进行相同符号叠加，提高信噪比；然后和瞬态信号进行拼接，对拼接后的信号进行射频指纹提取和识别，提高设备在低信噪比场景下的识别性能；包括以下步骤：

(1)采集在高信噪比实验环境下无线设备的输出信号；

(2)对采集到的信号加入不同的高斯白噪声进行仿真，获取不同信噪比下的无线信号，并进行预处理；

(3)对预处理后的信号，将其分成瞬态信号段和稳态信号段，将稳态信号段中相同符号进行信号叠加，然后和瞬态信号进行拼接；

(4)将所有信噪比下拼接后的信号按一定比例随机划分成训练集、验证集和测试集；

(5)在训练集和验证集上，根据提取的射频指纹特征训练分类器；

(6)针对实际接收的无线设备输出信号，进行步骤(2)中的预处理和步骤(3)中的部分叠加和拼接，然后提取射频指纹特征，并用训练好的分类器进行无线设备的分类识别。

进一步的，步骤(1)中的低功耗无线设备的输出信号通过直接同轴线加衰减器连接获取，或者是在近距离视距环境下采集的高信噪比无线接收信号。

进一步的，步骤(1)中采集的无线信号直接下变频到基带再进行后续处理。

进一步的，步骤(2)中仿真的信噪比范围覆盖识别场景的实际信噪比范围，且噪声叠加在在预处理之前进行。

进一步的，步骤(2)中的预处理具体包含：信号检测和截取、能量归一化、信号频偏和相偏的估计与补偿。

进一步的，步骤(3)具体包括：

(3-1)对预处理后的信号，将其划分成瞬态信号段stransient和稳态信号段ssteady，瞬态信号和稳态信号的划分包括但不限于经验法、差分门限检测法和差分贝叶斯检测法。划分时，若稳态信号起始点不为一个符号的起始样点，则将其往后推移到下一个符号的起始点位置。

(3-2)将稳态信号进行相同符号叠加，提高信噪比，即从单符号的角度出发，稳态信号可以表示为ssteady＝[s1,s2,…,sn]，其中，n为稳态信号包含的符号个数，每个符号对应的信号表示为sk＝rffk(xk),xk∈{1,2,…,k}，其中，xk是稳态信号第k个符号的数据值，k代表所有符号取值个数，rffk(·)代表第k个符号对应的射频指纹。稳态信号中相同符号对应的信号可以进行叠加，叠加后符号i对应的信号为ss(i)＝mean(rffk(xk＝i)),i∈{1,2,…,k}，其中mean(·)表示叠加取均值操作。

(3-3)将叠加后的稳态信号和瞬态信号进行拼接，得到部分叠加信号sps＝[stransient,ss(1),ss(2),…,ss(k)]。

进一步的，步骤(4)中信号集s包含了所有信噪比下的预处理和部分叠加处理后的基带信号，将样本集s按照一定的比例划分成训练集strain、验证集svalid和测试集stest，划分的方法包括但不限于交叉验证法、留出法和自助法。

进一步的，步骤(5)中的射频指纹特征提取与识别方法包括但不限于人工选取的特征和对应的机器学习分类算法、基于深度学习的自动特征提取与分类方法等现有方法中的一种或多种。

进一步的，步骤(6)中针对实际接收的无线设备输出信号，对其进行步骤(2)中要求的预处理后，进行步骤(3)中要求的部分叠加和拼接处理，然后利用步骤(5)中训练好的射频指纹提取和识别方法进行无线设备的分类识别。

本发明有益效果：本发明与现有技术相比，其显著优点是：通过本发明方法，可以对瞬态信号和稳态信号中包含的射频指纹信息进行良好的权衡，利用叠加有效提升稳态信号射频指纹信息的稳定度。通过仿真和实验可以发现，使用本发明相比于传统的瞬态方法和稳态方法可以极大提高低信噪比场景下无线设备的识别性能。

附图说明

图1为本发明的方法流程图；

图2为使用该发明方法在低噪比下提高设备识别率的结果示意图。

具体实施方式

本实施例提供了一种基于瞬态-稳态的部分叠加射频指纹方法，如图1所示，包括：

(1)采集在高信噪比实验环境下无线设备的输出信号。

本实施例中，选用27个带功放的zigbee无线发射模块作为待识别设备，并对每个设备进行了编号为1-27的标注。在近距离、可视距、接收信噪比很高的无线环境下接收zigbee无线发射模块发射的无线信号，也可以通过直接同轴线加衰减器连接采集无线信号。上述的采集的无线信号直接下变频到基带再进行后续处理。本实施例采用的zigbee设备的符号速率为1mbps，采集的无线信号直接下变频得到基带信号：其中x(t)代表发送信号的复基带表示，δf是下变频后残留的频偏，代表相偏。用10msps采样率对该基带信号进行10倍过采样和存储。

(2)对采集到的信号加入不同的高斯白噪声进行仿真，获取不同信噪比下的无线信号，并进行预处理，具体包括：

(2-1)本实施例中，针对近距离采集的所有zigbee无线模块的基带信号y(t)，添加不同功率的高斯白噪声来模拟不同的信噪比等级。具体的高斯白噪声模拟的信噪比为从-10db到30db，每隔5db为一组，每个信噪比下所有采集的信号模拟一次。

(2-2)在进行噪声叠加后，进行如下预处理：首先利用功率变点检测原理来粗略判定每一帧信号的起始和结束，然后将截取的帧信号进行能量归一化，其中a为加噪y(t)的均方根。能量归一化能够避免信号发送功率和距离对识别产生影响，在本发明中不考虑通过接收信号功率来识别目标设备距离作为指纹特征。

(2-3)能量归一化后的信号y′(t)还存在残留的频偏和相偏，由于频偏和相偏是两个容易被仿冒的参数，且存在频偏和相偏的情况下无法进行后续的叠加处理来提升信噪比。为了提取设备频偏、相偏无关的指纹特征，在指纹提取前首先进行精确的频偏相偏估计和补偿(具体方法参照专利201510797097.8)。

(3)对预处理后的信号，将其分成瞬态信号段和稳态信号段，将稳态信号段中相同符号进行信号叠加，然后和瞬态信号进行拼接，具体包括：

(3-1)本实施例中，将预处理后的信号其划分成瞬态信号段stransient和稳态信号段ssteady，瞬态信号和稳态信号的划分包括但不限于经验法、差分门限检测法和差分贝叶斯检测法。划分时，若稳态信号起始点不为一个符号的起始样点，则将其往后推移到下一个符号的起始点位置。

(3-2)本实施例中，预处理后的zigbee信号的稳态信号段只考虑了前导信号中的稳态部分，用差分门限检测法检测发现27个设备的稳态信号起始点基本都在前导的第二个符号中，因此，将第3～8个前导符号划分为稳态信号，第1～2个符号以及前导前的20个采样点作为瞬态信号。

(3-3)本实施例中，将6个符号的稳态信号进行相同符号叠加，提高信噪比。由于zigbee信号的前导符号数据均为0x0，稳态信号可以表示为ssteady＝[s3,s4,…,s8]，每个符号对应的信号表示为sk＝rffk(x0)，其中，x0代表前导中相同的数据符号0x0，rffk(·)代表第k个符号对应的射频指纹。稳态信号中相同符号对应的射频指纹相同，因此可以进行叠加，叠加后得到信号为rffs(·)代表前导稳态信号单符号射频指纹。

(3-4)将叠加后的稳态信号和瞬态信号进行拼接，得到部分叠加信号sps＝[stransient,ss]。

(4)将所有信噪比下拼接后的信号集s按一定比例随机划分成strain、验证集svalid和测试集stest。

本实施例中，信号集s包含了所有信噪比下拼接后的信号，将样本集s按照3:1:1的比例划分成训练集strain、验证集svalid和测试集stest，划分的方法包括但不限于交叉验证发、留出法和自助法。

(5)在训练集和验证集上，根据提取的射频指纹特征训练分类器。

本实施例中，选择一个包含两层卷积层、两层池化层和两层全连接层的卷积神经网络(cnn)作为射频指纹指纹提取和分类器，其中最后一层全连接层为一个softmax层作为分类器，在训练时将训练集中所有信噪比的信号一起进行训练，当验证集上的识别性能不再增长时停止训练。本实施例中，卷积和池化的层数以及卷积核参数和池化参数根据实际需要确定，不限于此。此外，射频指纹特征提取与识别方法包括但不限于人工选取的特征和对应的机器学习分类算法、基于深度学习的自动特征提取与分类方法等现有方法中的一种或多种。

(6)针对实际接收的无线设备输出信号，进行步骤(2)中的预处理和步骤(3)中的部分叠加和拼接，然后训练好的卷积神经网络进行无线设备的射频指纹提取与分类识别。

通过本发明方法，可以利用瞬态信号射频指纹差异大和稳态信号叠加提升信噪比的特点，有效结合瞬态信号和稳态信号射频指纹在不同信噪比下的识别优势，从而在低信噪比时极大地提高设备识别性能，而在高信噪比时也能略微提升性能。

图2所示为使用本方法对以及不使用本方法，分别使用瞬态信号、稳态信号以及不做叠加处理的整段信号作为卷积神经网络输入对测试集stest进行分类的测试结果。可以看出，在使用本发明方法时，在极低信噪比情况下(-10至0db)，相对于其他三种方案中性能最好的瞬态信号方案，识别正确率提升了9％左右，在5db和10db时，提升了5％左右。在15db及以上的高信噪比环境下，相对于其他三种方案中性能最佳的瞬态+稳态信号方法，也能提升不到1％的性能。

本发明基于瞬态和稳态信号的差异，提出了一种稳态信号相同符号叠加，和瞬态信号进行拼接后提取射频指纹的方法，大大提高了低信噪比下的射频指纹识别率。

以上所述仅为本发明的一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。