[发明专利]基于卷积神经网络的射频指纹嵌入式实时识别方法及系统

说明书

本发明涉及计算机软件，无线通信安全技术领域，尤其涉及一种基于卷积神经网络的射频指纹嵌入式实时识别方法及系统，所述方法包括：采集天线接收的无线信号并进行存储；当发现有新的无线信号，按照预设的采集点数和时间长度依次读取信号数据；对读取的信号数据进行预处理；将预处理后的信号数据输入预先建立好的射频指纹识别模型，输出该信号数据对应的射频设备标号，得到射频指纹识别结果。本发明提供的系统具有移动性与实时性，为各移动设备的无线通信安全提供了保障，满足移动设备的无线通信身份验证需求，通过使用低成本，低功耗的嵌入式开发板，搭载SDR设备，轻量化神经网络与实时监测模块实现了对无线信号的射频指纹实时识别。

技术领域

本发明涉及计算机软件，无线通信安全技术领域，尤其涉及基于卷积神经网络的射频指纹嵌入式实时识别方法及系统。

背景技术

所谓射频指纹是指，在制造无线通信设备的过程中，保证产品合格的前提下，在射频电路上依然会存在微小的随机性的瑕疵。这些瑕疵具有唯一性，且在较长时间内都会保持不变，最终与发射机各分立器件，本振源的频率偏移和相位噪声，数模转换器、混频器、功率放大器的非线性，滤波器特性等多种因素相结合，共同形成了具有个体特征的射频指纹，类似于生物的指纹可唯一地标识某个个体。由于射频指纹是基于设备射频电路自身所带有的特性，同时具备唯一性和不变性，因此通过射频指纹可以有效地实现对无线通信设备进行身份认证。

射频指纹识别技术可以通过发射端物理层的特征来识别特定发射机，能够在不同的场景中针对各种无线终端进行安全防护，在民用与军用领域的无线通信网络中都有巨大的应用前景。

传统的射频指纹识别方法是基于人工选取特征的，存在方法通用性差和识别率低等不足，造成射频指纹识别系统难以推广。随着大数据与深度学习技术的发展，基于深度学习的射频指纹识别方法在方法通用性和识别准确率上都已超越传统基于人工特征的方法。目前已有研究提出星座图与深度学习相结合的射频指纹识别系统，但基于图像的深度学习方法存在神经网络参数众多和计算量大等问题，对实时信号的射频指纹识别需要花费大量时间，反应速度慢，实时性不强，识别效率低。随着物联网的发展，无线通信的可移动属性越来与普遍，同时现有技术只关注基站等定点射频指纹识别，而图像处理神经网络的大运算量对硬件要求较高，导致现有技术的成本较高，移动性较差。

由于目前技术多使用信号星座图作为神经网络的输入，将原本只有二维的信号转换为三维图像进行识别，虽然提取了信号的特征，但是增加了网络的参数与运算量，从而限制了识别速度。同时，由无线信号的无人实时监控的实现尚无技术可以实现，导致目前尚无技术具有射频指纹实时识别的功能。

目前主流射频指纹特征提取分为人工提取与深度学习提取，人工提取方法对信号的普适性很弱，而深度学习通过对三维图像进行特征提取，计算量变大，对硬件有一定要求，导致其识别速度较慢，系统成本高，移动性不强。并且目前主流技术中尚未实现无人实时信号监测及信号射频指纹识别功能。

发明内容

本发明的目的在于克服现有技术缺陷，提出了基于卷积神经网络的射频指纹嵌入式实时识别方法及系统。

为了实现上述目的，本发明提出了一种基于卷积神经网络的射频指纹嵌入式实时识别方法，所述方法包括：

采集天线接收的无线信号并进行存储；

当发现有新的无线信号，按照预设的采集点数和时间长度依次读取信号数据；

对读取的信号数据进行预处理；

将预处理后的信号数据输入预先建立好的射频指纹识别模型，输出该信号数据对应的射频设备标号，得到射频指纹识别结果。

作为上述方法的一种改进，所述采集天线接收的无线信号并存储；具体包括：

采集天线接收的无线信号，经处理后输出采样信号并进行低通滤波处理，然后进行存储。