[发明专利]一种基于联邦学习的移动设备射频分布识别方法

说明书

本发明提供了一种基于联邦学习的移动设备射频指纹分布式识别的方法，属于物联网安全信息技术领域。首先根据射频信号数据分散存储、难以集中训练模型的特性，采用联邦学习算法实现分布式射频指纹识别，不仅解决了数据分散带来的问题，而且为本地的敏感数据提供了隐私保护。为了减少移动设备数据分布不均衡对联邦学习算法性能的影响，本发明在联邦学习算法的基础上，额外增加了动态样本选择算法，即根据异构设备的数据处理能力动态分配任务。与传统的深度学习算法相比，本发明提出的算法在减少计算时间的同时，提高了识别的准确度。

技术领域

本发明属于物联网信息安全技术领域，尤其涉及一种基于联邦学习的移动设备射频分布识别方法。

背景技术

在物联网时代，随着传感器、移动设备的大幅增加，信息安全问题日益严峻。根据思科公司的预测，到2021年，全球通信系统将连接250多亿台设备。由于移动设备的固有属性，在不可信的环境中很容易受到恶意攻击。因此，移动设备需要进行用户认证。但是传统的认证方法存在缺陷，如数字签名，在海量的通信过程中容易受到各种密钥攻击，如入侵攻击、旁路攻击等。同时，由于硬件资源的限制，大部分移动设备无法支持高复杂度的计算。因此，利用IP或MAC地址进行身份验证的传统方式效率不高。

射频指纹技术是一种新兴的身份认证方式，它通过分析移动设备发送信号的独特特征，从而识别设备的类别，进而有效地防止恶意假冒合法设备的身份。从传输信号中提取的移动设备的特征主要是由于制造过程中射频元件的差异造成的，包括功率放大器的缺陷、幅度和相位误差、载波频率差、相位偏移等。

通过机器学习或深度学习的算法，利用原始信号或提取的特征来识别移动设备。基于机器学习的射频指纹识别技术，需要对采集到的信号进行去噪和归一化预处理，提取各种指纹特征，并通过指纹特征的分析对移动设备进行识别。相比之下，基于深度学习的射频指纹识别技术不需要从信号中提取特征。原始数据经过预处理后，直接将预测的标签与在深度学习网络中注册在指纹库中的标签进行比较，以识别不同的移动设备。深度学习方法依赖于大量现有指纹的数据来训练的网络模型。但是，无论是基于机器学习的算法还是基于深度学习的算法，模型的训练都需要大量的原始信号数据或者提取的特征数据。然而，传统的数据处理方法需要将所有数据加载到一个集中的节点上，这种方法在物联网应用场景下已不再适用。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于联邦学习的移动设备射频分布识别方法，解决了数据分散带来的问题，且为本地的敏感数据提供了隐私保护。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于联邦学习的移动设备射频分布识别方法，包括以下步骤：

S1、通过瑞利衰落信道采集时域数据，并对所述时域数据进行预处理；

S2、根据所述预处理后的时域数据，利用移动设备构建基于联邦学习的分布式计算模型；

S3、根据所述时域数据的层次划分，利用动态样本选择算法对所述分布式计算模型进行训练，完成基于联邦学习的移动设备射频分布识别。

本发明的有益效果是：本发明涉及一种基于联邦学习的移动设备射频指纹分布式识别的方法，首先根据射频信号数据分散存储、难以集中训练模型的特性，采用联邦学习算法实现分布式射频指纹识别，不仅解决了数据分散带来的问题，而且为本地的敏感数据提供了隐私保护。为了减少移动设备数据分布不均衡对联邦学习算法性能的影响，本发明在联邦学习算法的基础上，额外增加了动态样本选择算法，即根据异构设备的数据处理能力动态分配任务。与传统的深度学习算法相比，本发明提出的算法在减少计算时间的同时，提高了识别的准确度。

进一步地，所述步骤S1包括以下步骤：

S101、通过瑞利衰落信道采集时域数据；

S102、使用最小均方误差为目标的信道估计方法，将所述时域数据进行归一化处理；