[发明专利]一种基于双谱特征和深度学习的手机个体识别方法

说明书

本发明公开了一种基于双谱特征和深度学习的手机个体识别方法，通过分别对所有样本进行采样及预处理后通过计算四种积分双谱，从而组合得到训练卷积神经网络的特征集，然后将特征集按比例划分为训练特征集YTrain和测试特征集Ytest；使用训练特征集YTrain卷积神经网络，再利用训练后的卷积神经网络对测试特征集YTest进行分类决策，最终输出手机个体识别结果。

技术领域

本发明属于通信技术领域，更为具体地讲，涉及一种基于双谱特征和深度学习的手机个体识别方法。

背景技术

通信辐射源个体识别是通过对接收信号特征测量确定产生信号的辐射源个体，其定义为“将辐射源惟一电磁特征与辐射源个体关联能力”。辐射源个体特征一般是由于其内部元器件之间也存在着微小差异，如器件的非线性、频率源的不稳定性以及杂散输出等，这种特征也称为通信信号的“指纹”，是指通信信号中用于标识发送该信号的通信设备身份的特征，对每个个体来说，这种特征是唯一的。目前，通信辐射源个体识别技术已经成为通信信号处理领域里的一个研究热点。通信辐射源个体识别的目标是通过利用通信号信号中的能够标识辐射源个体的细微特征集(一般称为信号细微特征)与数据库中的细微特征集进行匹配，从而达到辐射源个体识别的目的。

随着通信技术的发展，无线网络纷繁复杂，为保证无线网络的安全性，需要对网络的用户进行身份验证，原有的身份验证方式主要是密钥验证，但是非法用户若窃取到了密钥，仍然可以入侵无线网络。若同时采取密钥身份验证和硬件个体身份验证两种方式，无线网络的安全性就可大大提高。如在认知无线电领域，移动通信设备如手机，通过感知所在无线网络内的频谱环境，找到注册手机的空闲时段进行通信，在频谱越来越紧张的今天，认知无线电技术大大提高了频谱利用率。然而，这种技术的缺陷在于，目前采用的通过软件认证的方式很容易模仿，这个漏洞也容易被恶意攻击方利用，发动PUE(Prima ryUserEmulation)攻击，从而造成信息泄露或频谱被长期非法占用，给网络管理带来了极大的麻烦。通过本发明手机辐射源个体的识别技术，从物理层进行认证，这种认证方式是个体唯一、极难被模仿的，通过设备被动认证，不需要设备间的协作，实施方便，可以有效的阻止PUE攻击，增强认知无线电网络的安全性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于双谱特征和深度学习的手机个体识别方法，利用手机设备个体特征的唯一性、不可模仿性，极大地增强无线电网络的安全性。

为实现上述发明目的，本发明一种基于双谱特征和深度学习的手机个体识别方法，其特征在于，包括以下步骤：

(1)、对待识别的手机个体采样

在手机通话阶段，使用AD9361软件无线电平台对待识别的手机个体采样，采样频段为a～bMHz，采样频率为f_sMHz，其中，设待识别的手机个体共C个，每个手机个体采样M组采样数据，则待识别的手机个体共计采样出C×M组采样数据；

(2)、采样数据预处理

将C×M组采样数据依次通过PCIE实时传输到PC机上，再对采样数据进行解帧和重组，得到I、Q两路数据信号；

(3)、获取数据样本集

计算I、Q两路数据信号的模值，挑选出I、Q两路数据信号中数据长度等于L且模值大于预设阈值的数据信号，再将这些数据信号对应的采样数据保存在数据样本集S{n}中，n表示数据样本集中采样数据的个数，n≤C×M；

(4)、求取样本特征集Y

(4.1)、计算数据样本集S{n}中每个采样数据的双谱

(4.1.1)、将每一个长度为L的采样数据分成K段，保持相邻数据段重叠部分为T％，每段数据长度为表示下取整，再对每段数据去均值得到x_i(n)，i＝1,2,…,K，n＝0,1,2,…,M-1；