基于多温度能量回归的射频指纹识别无标签性能估计方法

本发明涉及无线通信与信号处理，具体为基于多温度能量回归的射频指纹识别无标签性能估计方法。

背景技术：

1、射频指纹识别技术利用发射机硬件在制造过程中引入的微小缺陷（如功率放大器非线性、本振频率偏移以及i/q不平衡等）所形成的设备特异性特征，实现对无线设备的身份识别与认证。相较于传统密码学方法，rff具备轻量级、基于硬件物理特性、难以克隆等显著优势，近年来，深度学习方法能够直接从原始i/q采样中提取上述特征，使基于深度学习的rff在多种波形、设备与通信协议下均取得了较高的识别精度。

2、然而，在实际部署中，一个在特定信道与接收机条件下采集的信号上训练得到的rff模型，往往需要在此前未见过的无线环境与接收机上运行，这种不匹配会在训练数据与测试数据之间引入分布偏移，即产生分布外问题，从而显著降低识别性能。

3、为解决上述问题，现有研究大多通过数据增强、域适应、域泛化、对比表示学习以及半监督与小样本学习等手段来提升模型在分布偏移下的鲁棒性，并在带标签的基准数据集上取得了可观的精度提升，但是，无标签性能估计这一问题却很少受到关注。在缺乏目标域标签的条件下，部署后的真实精度无法被直接度量，使得分布偏移所导致的性能退化程度无法量化，部署系统的可信度难以保证。

4、为此，本发明提出基于多温度能量回归的射频指纹识别无标签性能估计方法。

技术实现思路

1、本发明的目的在于提供基于多温度能量回归的射频指纹识别无标签性能估计方法，能够在无标签的条件下，准确估计rff模型在跨信道、跨接收机等部署条件下的识别精度。

2、根据本发明的第一方面，为实现上述目的，本发明提供如下技术方案：基于多温度能量回归的射频指纹识别无标签性能估计方法，包括以下步骤：

3、获取带标签的源域数据集、无标签的目标域数据集以及在所述源域数据集上训练完成的射频指纹分类器；

4、根据无线信道和接收机前端作用于i/q信号所形成的信号失真类型，构建包括幅度非线性扰动、载波频偏扰动、相位抖动扰动和加性噪声扰动的可控扰动参数空间，并按照所述可控扰动参数空间中的扰动参数对所述源域数据集进行扰动处理，生成多个保留源域标签的增强副本数据集；

5、分别将各增强副本数据集输入所述射频指纹分类器，得到各增强副本数据集中各样本对应的logit向量，根据所述logit向量、预定义温度集合分别计算各样本在不同温度下的样本级能量，并对同一增强副本数据集中相同温度下的样本级能量进行平均处理，得到各温度对应的平均样本级能量，将各温度对应的平均样本级能量进行堆叠，得到各增强副本数据集对应的多温度能量指标；

6、根据各所述增强副本数据集保留的源域标签，计算各所述增强副本数据集对应的真实精度，并将各所述增强副本数据集对应的多温度能量指标与真实精度进行关联，构建能量－精度训练样本对；

7、以所述多温度能量指标为输入、以对应的真实精度为输出，采用huber损失对所述能量－精度训练样本对进行拟合，得到由多温度能量指标到识别精度的线性回归函数；

8、将所述目标域数据集输入所述射频指纹分类器，得到所述目标域数据集中各样本对应的目标域logit向量，根据所述目标域logit向量，采用与构建能量－精度训练样本对时相同的预定义温度集合，分别计算各目标域样本在不同温度下的目标域样本级能量，并对相同温度下的目标域样本级能量进行平均处理，得到各温度对应的目标域平均能量，将各温度对应的目标域平均能量进行堆叠，得到目标域多温度能量指标；

9、将所述目标域多温度能量指标输入所述线性回归函数，得到所述射频指纹分类器在所述目标域数据集上的预测精度。

10、进一步地，获取带标签的源域数据集、无标签的目标域数据集以及在所述源域数据集上训练完成的射频指纹分类器，包括：

11、将接收到的i/q信号样本表示为：

12、

13、其中，表示所述i/q信号样本包含的采样点数，2表示i路信号和q路信号；

14、将所述带标签的源域数据集表示为：

15、

16、将所述无标签的目标域数据集表示为：

17、

18、其中，表示第个源域i/q信号样本，表示第个源域i/q信号样本对应的设备身份标签，表示第个目标域i/q信号样本，和分别表示所述源域数据集和目标域数据集包含的样本数量；

19、所述设备身份标签属于设备身份标签集合：

20、

21、式中，表示设备类别数；

22、采用所述源域数据集对射频指纹分类器进行训练，并将训练完成的所述射频指纹分类器部署于所述目标域数据集。

23、进一步地，根据无线信道和接收机前端作用于i/q信号所形成的信号失真类型，构建包括幅度非线性扰动、载波频偏扰动、相位抖动扰动和加性噪声扰动的可控扰动参数空间，具体如下：

24、将射频指纹识别系统中的接收信号建模为：

25、

26、其中，表示携带设备特异性硬件缺陷的发射信号，表示离散时间采样点序号，所述设备特异性硬件缺陷构成射频指纹，表示无线信道响应，表示接收机前端响应，表示加性白噪声，表示卷积运算；

27、将所述接收信号近似分解为：

28、

29、其中，表示无线信道与接收机前端形成的复合幅度响应，表示载波频偏，表示相位噪声与缓慢相位漂移，表示虚数单位；

30、根据所述复合幅度响应、载波频偏、相位噪声与缓慢相位漂移以及加性噪声，分别构建幅度算子、频率算子、相位算子和噪声算子，并通过所述幅度算子、频率算子、相位算子和噪声算子分别形成所述幅度非线性扰动、载波频偏扰动、相位抖动扰动和加性噪声扰动。

31、进一步地，所述幅度算子采用rapp模型对放大器的am-am非线性进行建模；

32、记第个i/q采样点为：

33、

34、其复基带样本为：

35、

36、其中，和分别表示第个采样点的i路同相分量和q路正交分量；表示采样点时间索引，；上标t表示转置；

37、定义以压缩等级为参数的幅度算子，其按照下式对所述复基带样本进行幅度非线性压缩处理：

38、

39、其中：

40、

41、

42、式中，表示经幅度非线性扰动处理后的复基带样本，表示由压缩等级确定的饱和因子，表示rapp平滑参数，表示该信号样本所有采样点复基带幅度的最大值；表示归一化后的输入幅度；表示复基带样本的相位角；表示的模；符号表示定义为；

43、定义以载波频偏参数的频率算子，其按照下式施加确定性载波频偏，表示为：

44、

45、其中为以采样率归一化的载波频偏；

46、定义以相位抖动标准差为参数的相位算子，其按照下式叠加高斯相位抖动，表示为：

47、

48、其中为相位抖动的标准差，表示第个采样点上叠加的相位抖动；表示均值为0、方差为的高斯分布；表示各采样点独立同分布地服从该分布；

49、定义以目标信噪比为参数的噪声算子，按照下式对所述i/q信号样本引入加性白噪声，表示为：

50、

51、其中表示第个采样点加入的二维加性高斯白噪声向量；表示2×2单位矩阵；为平均信号功率，为目标信噪比。

52、进一步地，按照所述可控扰动参数空间中的扰动参数对所述源域数据集进行扰动处理，生成多个保留源域标签的增强副本数据集，具体如下：

53、采用参数集合对所述可控扰动参数空间进行参数化，参数集合表示为：

54、

55、其中，、、和分别表示幅度非线性扰动、载波频偏扰动、相位抖动扰动和加性噪声扰动对应的扰动参数；

56、在预定义参数网格上枚举所述参数集合中的扰动参数，并分别采用不同扰动程度的所述幅度算子、频率算子、相位算子和噪声算子对所述源域数据集进行处理，得到个增强副本数据集：

57、

58、其中，第个增强副本数据集中的样本继承对应源域样本的设备身份标签；

59、根据所述射频指纹分类器输出的logit向量确定每个增强副本样本的识别类别，将所述识别类别与对应的设备身份标签进行比较，并将识别类别与设备身份标签相同的样本数量占对应增强副本数据集样本总数的比例，确定为该增强副本数据集的真实精度。

60、进一步地，分别将各增强副本数据集输入所述射频指纹分类器，得到各增强副本数据集中各样本对应的logit向量，根据所述logit向量、预定义温度集合分别计算各样本在不同温度下的样本级能量，并对同一增强副本数据集中相同温度下的样本级能量进行平均处理，得到各温度对应的平均样本级能量，将各温度对应的平均样本级能量进行堆叠，得到各增强副本数据集对应的多温度能量指标，具体如下：

61、由所述射频指纹分类器将输入样本映射为包含个分量的logit向量：

62、

63、对于预定义温度集合中的任一温度，按照下式根据所述logit向量计算样本级能量：

64、

65、式中，表示样本在温度下的样本级能量，表示温度参数，且；表示所述射频指纹分类器输出的第c个logit分量；c表示设备类别数；表示自然对数；表示以自然常数e为底的指数函数；

66、将所述预定义温度集合表示为：

67、

68、对于第个增强副本数据集和所述预定义温度集合中的第个温度，按照下式计算平均样本级能量：

69、

70、其中，表示第个增强副本数据集中的第个样本；表示每个增强副本数据集包含的样本数量；

71、将第个增强副本数据集在各温度下的平均样本级能量按照温度顺序进行堆叠，得到所述第个增强副本数据集对应的多温度能量指标：

72、

73、其中，表示所述预定义温度集合包含的温度数量。

74、进一步地，构建能量－精度训练样本对，具体如下：

75、将第个增强副本数据集对应的多温度能量指标与真实精度组合，构建能量－精度训练样本集：

76、。

77、进一步地，以所述多温度能量指标为输入、以对应的真实精度为输出，采用huber损失对所述能量－精度训练样本对进行拟合，得到由多温度能量指标到识别精度的线性回归函数，具体如下：

78、取线性回归函数为以huber损失训练的线性回归器，表示为：

79、

80、其中，参数通过以下方式求解：

81、

82、其中阈值为的huber损失为：

83、

84、式中，表示阈值为的huber损失；e表示回归残差，即真实精度与线性回归预测值之差；表示huber损失的阈值，且，用于区分小残差与大残差；表示残差e的绝对值。

85、进一步地，输出得到射频指纹分类器在所述目标域数据集上的预测精度，具体如下：

86、对于所述预定义温度集合中的第个温度，根据所述目标域数据集中各目标域样本对应的目标域logit向量，按照下式计算目标域平均能量：

87、

88、其中，表示所述目标域数据集中的第个目标域样本；

89、将各温度对应的目标域平均能量按照与构建所述多温度能量指标时相同的温度顺序进行堆叠，得到所述目标域多温度能量指标：

90、

91、将所述目标域多温度能量指标代入所述线性回归函数，并按照下式得到所述预测精度：

92、

93、式中，表示所述射频指纹分类器在目标域数据集上的预测精度；表示目标域多温度能量指标；和分别表示已拟合的线性回归权重向量和偏置项；表示将取值限制到区间[0,1]的截断运算。

94、根据本发明的第二方面，本发明提供一种基于多温度能量回归的射频指纹识别无标签性能估计系统，用于实现第一方面描述的基于多温度能量回归的射频指纹识别无标签性能估计方法，包括：

95、数据获取模块，用于获取带标签的源域数据集、无标签的目标域数据集以及在所述源域数据集上训练完成的射频指纹分类器；

96、增强副本生成模块，用于根据无线信道和接收机前端作用于i/q信号所形成的信号失真类型，构建包括幅度非线性扰动、载波频偏扰动、相位抖动扰动和加性噪声扰动的可控扰动参数空间，并按照所述可控扰动参数空间中的扰动参数对所述源域数据集进行扰动处理，生成多个保留源域标签的增强副本数据集；

97、源域多温度能量指标生成模块，用于分别将各所述增强副本数据集输入所述射频指纹分类器，得到各所述增强副本数据集中各样本对应的logit向量，根据所述logit向量和预定义温度集合分别计算各样本在不同温度下的样本级能量，对同一增强副本数据集中相同温度下的样本级能量进行平均处理，得到各温度对应的平均样本级能量，并将各温度对应的平均样本级能量进行堆叠，得到各所述增强副本数据集对应的多温度能量指标；

98、训练样本对构建模块，用于根据各所述增强副本数据集保留的源域标签，计算各所述增强副本数据集对应的真实精度，并将各所述增强副本数据集对应的多温度能量指标与真实精度进行关联，构建能量－精度训练样本对；

99、回归函数拟合模块，用于以所述多温度能量指标为输入、以对应的真实精度为输出，采用huber损失对所述能量－精度训练样本对进行拟合，得到由多温度能量指标到识别精度的线性回归函数；

100、目标域多温度能量指标生成模块，用于将所述目标域数据集输入所述射频指纹分类器，得到所述目标域数据集中各样本对应的目标域logit向量，根据所述目标域logit向量，采用与构建所述能量－精度训练样本对时相同的预定义温度集合，分别计算各目标域样本在不同温度下的目标域样本级能量，对相同温度下的目标域样本级能量进行平均处理，得到各温度对应的目标域平均能量，并将各温度对应的目标域平均能量进行堆叠，得到目标域多温度能量指标；

101、预测精度生成模块，用于将所述目标域多温度能量指标输入所述线性回归函数，得到所述射频指纹分类器在所述目标域数据集上的预测精度。

102、本发明至少具备以下有益效果：

103、1.本发明通过利用带标签的源域数据构建能量－精度训练样本对，并根据无标签目标域数据对应的多温度能量指标预测射频指纹分类器的识别精度，使性能估计过程不依赖目标域设备身份标签，有利于在目标域标签难以获取的实际部署条件下，对射频指纹分类器的运行性能进行量化评估，减少因无法直接获得目标域真实精度而导致的模型性能状态不明确问题。

104、2.本发明根据无线信道和接收机前端作用于i/q信号所形成的信号失真，将复合分布偏移分解为幅度非线性扰动、载波频偏扰动、相位抖动扰动和加性噪声扰动，并利用对应的可控扰动参数生成多个增强副本数据集，使增强副本能够表征不同失真类型及不同扰动程度下的数据分布变化，有利于提高能量－精度训练样本对与实际跨信道、跨接收机部署条件之间的关联性，增强性能估计过程的物理可解释性。

105、3.本发明基于射频指纹分类器输出的logit向量，在多个温度下分别计算样本级能量，并将不同温度对应的平均样本级能量进行堆叠，形成多温度能量指标，使分类器输出的类别峰值状态和整体分布状态能够在不同温度尺度下得到反映，有效改善单一温度能量指标在分类器输出过度集中时对分布偏移变化敏感性不足的问题，提高多温度能量指标对分类器性能变化的表征能力。

106、4.本发明通过对增强副本数据集对应的多温度能量指标与真实精度进行关联，并采用huber损失拟合由多温度能量指标到识别精度的线性回归函数，使目标域多温度能量指标能够转换为射频指纹分类器在目标域数据集上的预测精度，同时降低部分扰动副本对应的较大拟合残差对回归参数求解过程的影响，有利于提高跨信道和跨接收机条件下无标签性能估计结果的稳定性及工程应用价值。

107、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。