[发明专利]一种资源受限环境下的射频指纹识别方法

说明书

本发明属于神经网络和射频指纹识别技术领域，具体来说是涉及一种资源受限环境下的射频指纹识别方法。本发明包括：将原始采样的I/Q信号进行数据预处理，得到训练任务集；构建资源受限下的射频指纹识别模型——DSCNet；将训练任务集输入到模型当中进行训练，然后对得到的模型进行量化处理；将识别任务输入到量化后的模型当中，得到射频指纹识别结果。本发明在资源受限的环境下具有较好的识别精度，同时模型的训练和推理速度表现较好，可以在资源不足的设备中进行射频指纹识别任务。

技术领域

本发明属于神经网络和射频指纹识别技术领域，具体来说是涉及一种资源受限环境下的射频指纹识别方法。

背景技术

5G网络和物联网(Internet of Things，IOT)技术的迅猛发展，给无线设备的大规模应用带来了可能。随着智能家居、车载网络以及智能交通等概念的提出，无线终端设备得到了广泛的部署。为了更好的保护和获取用户终端中的信息，保证这些边缘设备的通信安全是十分必要的。无线网络由于其所处的环境，相对有线网络更加开放，更容易受到大规模的网络攻击，这对现有的安全接入认证方式带了新的挑战。目前主流的安全认证方式基于TCP/IP协议，使用MAC地址作为设备的身份标识。这种安全认证方式，在无线网络这种接入设备比较多的场景中，很容易被攻击或篡改，出现终端设备的接入认证问题。同时，协议认证的方式大多基于密码学，需要相对较多的数学计算，对终端设备的计算能力有一定的要求。因此需要一种新的接入认证方式来减少恶意攻击的潜在威胁。

传统的数字信号调制类型识别大致上分为两种方法：一种是基于决策理论的最大似然假设检验法，另一类是基于特征提取的模式识别法。对于决策理论法，是基于接收信号的似然函数，并将似然比和适当的门限值进行比较，在贝叶斯最小误差准则下达到最佳分类效果。这类方法通常需要较多的先验知识，并且算法复杂度高。同时算法会因为信号模型变化产生失配问题，不具有适用性。对于模式识别法，需要对接收信号进行变换提取不同维度的特征，然后选用合适的机器学习分类器，例如SVM、决策树等进行分类。这种方法分类性能受所选取特征的影响，并且很难从多种调制方式中提取同一种特征，另外当任务数据量很大时，这种方法效率不高。

人类的指纹可以用来作为身份识别的依据，类似地，射频指纹(Radio frequencyfingerprinting，RF fingerprinting)也可以用来作为设备的身份标识。射频指纹识别是当前通信安全领域的研究热点，如何在资源不足的设备中进行射频指纹识别也是当前的研究重点之一。

射频指纹识别最早起源于军事领域，通过对比两个信号的波形来对信号发射源进行区分，依靠技术人员的经验来进行判断。但是在设备规模庞大的无线网络中，很难再依靠人工的方式进行射频指纹识别。因此需要一种能够自动从设备的信号中提取射频指纹并识别的方式。当前，射频指纹识别方法主要分为两种：基于先验知识的机器学习射频指纹识别方法和基于深度学习的射频指纹识别方法。

现有的射频指纹识别模型大多在实验室环境下进行设备的分类识别，设备量和训练样本的数量相对比较少，服务器的计算和存储资源相对充足，不用考虑资源受限的情况。可以通过使用复杂度较高的模型对无线接入设备进行很好的分类识别。但是在实际的应用中，处在无线网络接入端的设备并没有足够的计算和存储能力，在某些情况下还面临着通信受限的情况，因此寻找一种可以在资源受限情况下应用的射频指纹识别方法变得尤为重要。

发明内容

针对现有技术中的上述不足，本发明提出一种资源受限环境下的射频指纹识别方法。

本发明的技术方案为：

一种资源受限环境下的射频指纹识别方法，包括以下步骤：

S1、制作训练样本，具体为：将获取到无线电设备I/Q信号，划分为I/Q两路2×128格式的射频指纹数据，从而构成训练样本集X₀；

S2、构建射频指纹识别模型，具体包括标准卷积层、第一深度可分离卷积层、第二深度可分离卷积层、全连接层和输出层；