[发明专利]一种基于多采样卷积神经网络的射频指纹提取和识别方法

说明书

本发明公开了一种基于多采样卷积神经网络的射频指纹提取和识别方法，包括：(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理；(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大；(3)根据训练集和验证集对多采样卷积神经网络进行参数选择和训练，其中多采样卷积神经网络由降采样层、局部卷积层和全连接层构成；(4)针对实际接收的无线设备输出信号，利用训练好的多采样卷积神经网络对其进行分类识别。本发明识别效果更好。

技术领域

本发明涉及信息安全领域，尤其涉及一种基于多采样卷积神经网络的射频指纹提取和识别方法。

背景技术

随着物联网的不断发展，无线设备已成为现代社会不可或缺的一部分。然而,无线网络由于其开放性，相比于传统的有线网络更容易受到恶意攻击，其安全问题不容忽视。近年来，无线通信设备的射频指纹提取和识别方法得到了广泛的关注。每个无线设备拥有不同的射频指纹——即硬件的差异，这种硬件上的差异会反映在通信信号中，通过分析接收到的射频信号就可以提取出该特征。通过提取无线设备射频指纹可以实现对目标设备的识别和认证，从而为无线网络提供更高的安全性能。

特征提取是射频指纹技术中最关键的一环，虽然已经提出了各种各样的人工设计的特征，包括自动增益控制(AGC)响应、放大器非线性特征、I/Q偏置、频偏、时频统计特征等。这些特征在应用于小规模设备数量时其有效性已经得到了证明，然而在面对更大规模的设备群时，其有效性存疑。传统的人工选取特征和设计基于机器学习的分类器严重依赖研究者专业知识且耗时耗力，自动提取更加全面的特征并进行分类颇具前景。然而，现有的少量基于卷积神经网络的方案也只针对单采样率的射频信号进行了自动指纹提取。因此，需要进一步改进卷积神经网络进行多尺度特征的自动学习于分类，进一步提高基于射频指纹技术的无线设备识别性能。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于多采样卷积神经网络的射频指纹提取和识别方法，本发明通过引入降采样层，对输入信号进行不同的降采样后再使用相同的卷积池化层对无线设备发送信号进行自动的多尺度的射频指纹特征提取和识别，不但克服了手工选取特征和设计分类器的困难，还对传统的卷积神经网络方法在单采样率下工作进行了进一步提升，从而进一步提高了利用射频指纹技术对无线设备的识别率。

技术方案：本发明所述的基于多采样卷积神经网络的射频指纹提取和识别方法：

(1)采集不同环境参数下的仿真环境中无线设备的输出信号，并进行预处理；

(2)将所有预处理后的信号按预设比例随机划分成训练集、验证集和测试集，并采用切片技术将所述训练集、验证集和测试集扩大；

(3)根据训练集和验证集对多采样卷积神经网络进行参数选择和训练，其中多采样卷积神经网络由降采样层、局部卷积层和全连接层构成；

(4)针对实际接收的无线设备输出信号，利用训练好的多采样卷积神经网络对其进行分类识别。

进一步的，步骤(1)中采集无线设备的输出信号时，通过直接同轴线加衰减器连接采集信号，或者是在近距离、可视距、信噪比高于预设值的无线接收环境下采集信号。

进一步的，步骤(1)中所述不同环境参数具体包括：加入不同功率的高斯白噪声、不同的无线信道模型传输、不同多径分布参数的多径传输。

进一步的，所述预处理包括：下变频、过采样、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、I/Q路信号提取。

进一步的，步骤(2)中信号划分的方法包括交叉验证发、留出法和自助法。

进一步的，步骤(2)中所述采用切片技术将所述训练集、验证集和测试集扩大，具体包括：

对训练集中的每一信号进行切片，得到切片信号：