一种基于联邦多专家学习的射频指纹识别方法及系统

摘要: 本发明属于无线通信中的射频指纹识别,特别是一种基于联邦多专家学习的射频指纹识别方法及系统。背景技术:1、随着低空经济、无人机集群、低空智联网和空地一体化通信的发...
一种基于联邦多专家学习的射频指纹识别方法及系统

本发明属于无线通信中的射频指纹识别,特别是一种基于联邦多专家学习的射频指纹识别方法及系统。

背景技术:

1、随着低空经济、无人机集群、低空智联网和空地一体化通信的发展,大量无人机、低空感知节点、边缘通信节点和移动无线终端接入低空通信网络。低空无线设备通常具有数量多、分布广、移动状态复杂、接收链路不稳定以及所处电磁环境复杂等特点。在低空监管、无人机身份识别、低空通信节点接入认证、非法无线发射源检测和频谱管理等应用场景中,需要对无线发射设备进行可靠的身份认证。传统基于设备编号、协议标识、密钥或证书的认证方式主要依赖上层协议或预置身份信息,容易受到身份伪装、协议仿冒、密钥泄露或非法接入等因素影响,难以仅依据无线信号本身判断发射设备的真实身份。

2、射频指纹识别是一种利用无线发射设备硬件差异所引入的非理想特征,对无线设备进行身份识别的物理层认证技术。由于功率放大器、振荡器、数模转换器和滤波器等射频前端器件在制造误差及工作状态方面存在差异,不同无线设备发射的同相正交信号,即i/q信号中,会携带具有个体差异性的硬件指纹特征。因此,射频指纹识别能够在不依赖传统密钥或上层协议身份信息的情况下,实现对低空无线设备、军事无线终端、物联网终端及其他无线发射设备的身份认证。

3、随着深度学习技术的发展,现有射频指纹识别方法通常利用神经网络从i/q信号、时频图或其他信号表征中提取射频指纹特征。然而,深度学习模型通常依赖较大规模的标注数据,而射频信号的采集、设备身份标注和信道条件标定需要投入较高成本。不同接收节点采集的原始射频数据还可能涉及设备隐私、通信安全及数据合规问题,因而难以将分散于不同节点的数据集中至同一服务器进行训练。

4、为解决标注样本不足以及原始数据难以集中共享的问题,现有技术开始采用联邦学习方法训练射频指纹识别模型。该类方法通常由多个接收节点在本地射频数据上分别训练模型,中心服务器不直接收集原始i/q数据,而是接收各节点上传的模型参数、梯度或者其他中间训练信息,并通过联邦聚合获得共享模型。该方法能够在一定程度上降低原始射频数据集中传输所带来的隐私、合规和通信带宽压力,使多个低空监测节点或边缘接收平台能够协同训练射频指纹识别模型。

5、例如,申请号为cn202310486497.1、授权公告号为cn116522228b的中国专利公开了一种基于特征模仿联邦学习的射频指纹识别方法。该方法针对传统深度学习方法难以保障数据隐私以及传统联邦学习方法在边缘数据异构分布场景下性能受限的问题,在联邦学习过程中引入特征模仿机制,以改善客户端数据异构条件下的射频指纹识别效果。该方案为缓解联邦射频指纹识别中的数据异构问题提供了一种实现途径,但其着重点在于利用特征模仿促进联邦模型训练,未针对不同接收机硬件响应和不同信道统计分布对客户端进行专家分组,也未分别形成多个差异化专家模型并在推理阶段对其识别结果进行无参数融合。因此,当多个客户端分别采用不同射频前端、采样精度、时钟源和噪声特性的接收机,或者训练阶段与部署阶段采用不同接收机平台时,仍有进一步提高差异化建模能力和跨硬件泛化能力的空间。

6、同时,为提高模型对复杂无线信道的适应能力,现有技术还通常采用信道数据增强方法。该类方法在训练阶段对原始i/q信号施加频偏、多径时延和噪声等扰动,以模拟设备移动、城区多径传播和远距离弱信号接收等条件下的信道退化,从而扩充训练样本所覆盖的信道条件,使模型在训练过程中接触更多退化信道样本,提高其在复杂无线环境中的识别能力。

7、但是,现有联邦射频指纹识别方法在面向低空复杂无线场景时仍存在以下不足。

8、第一,在数据层面,现有方法对客户端本地样本分布差异和样本覆盖不足的适应能力有限。现有方法通常采用预先设定的数据增强参数范围,未能根据各低空接收节点本地样本中实际包含的信噪比、多普勒频移和时延扩展等统计特征,针对性地确定所需补充的信道条件。在实际低空环境中,不同接收节点受部署位置、相对运动状态、遮挡关系和传播环境等因素影响,其本地采集样本往往只能覆盖有限的信道条件。例如,处于相对静态环境的节点可能缺少高多普勒频移样本,处于开阔环境的节点可能缺少严重多径时延样本,而远距离或遮挡场景下的节点则可能主要采集到低信噪比样本。由于标注射频数据的获取成本较高,各客户端的本地样本数量和信道类型覆盖范围通常较为有限。若采用统一或者预先固定的增强范围,所生成的增强样本可能无法与各客户端实际缺失的信道条件相匹配,难以有效补充本地训练数据中的分布空缺,进而限制模型对低空信道快速变化和复杂退化条件的适应能力。

9、第二,在模型训练层面,现有单一全局模型难以同时表征差异较大的多类客户端数据分布。 现有联邦射频指纹识别方法通常通过联邦聚合训练一个全局模型,其本质是在多个客户端的模型参数或优化目标之间进行协调和折中。当不同客户端对应的接收机硬件平台、射频前端响应、噪声底、时钟偏差、部署位置和信道条件差异较大时,各客户端数据所对应的特征分布和判别边界可能存在明显差异。单一全局模型的特征表达能力有限,难以针对不同客户端分布分别形成差异化表征,容易使适用于特定硬件平台或信道条件的判别信息在全局聚合过程中被削弱,产生模型能力稀释现象,进而出现对部分客户端或场景适配较好而对其他客户端或场景识别性能下降的情况。

10、第三,在部署层面,现有方法对未知接收机平台的跨接收机泛化能力不足。 射频指纹识别模型所提取的特征不仅包含发射设备自身的硬件非理想特征,还可能受到接收机射频前端、采样链路和时钟系统等因素的影响。不同接收机在射频前端结构、频率响应、采样率、采样精度、增益控制、时钟稳定性、噪声底和动态范围等方面存在差异,导致同一无线发射设备经不同接收机采集后,其i/q信号分布和射频指纹表现形式发生变化。现有方法通常基于一种或有限种接收机采集的数据进行训练,并将训练得到的单一模型直接部署至目标接收平台。当部署阶段所采用的接收机型号或硬件特性与训练阶段不一致,尤其是在目标接收机类型及其硬件响应特征预先未知的情况下,模型容易学习到与训练接收机相关的特征,难以稳定提取与接收平台无关的发射设备个体特征,进而产生明显的跨接收机域偏移,导致识别准确率和稳定性下降。因此,现有方法难以适应低空监测网络中多种接收设备并存、接收节点动态接入以及训练接收平台与实际部署平台不一致的应用场景。

11、因此,现有技术在低空无线设备射频指纹识别中,仍存在客户端本地训练数据的信道条件覆盖不足、单一全局模型对异构客户端数据的差异化表征能力有限,以及训练模型对未知接收机平台的跨接收机泛化能力不足等问题,难以满足复杂低空无线场景下对设备身份认证准确性、信道鲁棒性和跨接收机稳定性的要求。因而,需要提供一种能够在联邦学习框架下根据客户端本地数据特征补充其欠缺的信道条件、对不同硬件及信道分布进行差异化建模,并能适应训练阶段与部署阶段接收机平台差异的射频指纹识别方法。

技术实现思路

1、本发明的目的在于提出一种基于联邦多专家学习的射频指纹识别方法及系统,以解决现有联邦射频指纹识别方法中存在的统一数据增强无法适配客户端信道异构性、单一全局模型难以同时适配多种信道退化和异构接收机特性而导致部分场景下识别准确率下降、跨接收机硬件泛化能力不足等问题。

2、实现本发明目的的技术解决方案为:一方面,提供了一种基于联邦多专家学习的射频指纹识别方法,所述方法包括:

3、步骤1,各参与联邦学习的客户端利用本地接收机采集无线发射设备发送的基带i/q信号,对所述基带i/q信号进行预处理以生成通道无关时频表征;

4、步骤2,各客户端基于本地采集的信号样本,估计本地信道统计量,所述本地信道统计量至少包括多普勒频移和时延扩展;

5、步骤3,各客户端根据所述本地信道统计量确定与其本地信道分布互补的数据增强参数范围,使得当本地数据欠缺特定信道退化条件时,自适应扩大当前类信道退化对应的数据增强参数范围获得自适应互补增强参数范围;

6、步骤4,将多个客户端划分为多个专家组,各客户端在本地基于所述自适应互补增强参数范围生成对比学习样本对并执行自监督对比学习训练;每个专家组独立维护一个组内全局模型并在组内执行联邦模型聚合,不同专家组之间不进行模型参数聚合,以分别获得具备差异化判别能力的多个专家特征提取模型;

7、步骤5,在各专家特征提取模型后端配置分类头,并利用目标接收机采集的带标签射频信号样本对各专家特征提取模型进行监督微调,得到多个已微调专家分类模型;

8、步骤6,获取待识别无线发射设备的射频信号并生成待识别通道无关时频表征,将所述待识别通道无关时频表征分别输入各已微调专家分类模型,获取各专家分类模型独立输出的设备类别预测概率,通过软投票机制对多个专家分类模型的预测概率进行融合计算,并将融合后概率最大的类别作为目标发射设备的识别结果。

9、进一步地,步骤1中对所述基带i/q信号进行预处理以生成通道无关时频表征,具体包括:

10、步骤1-1,对采集的基带i/q信号依次执行有效信号区间定位、定长切片、直流分量去除和平均功率归一化,得到标准化复基带信号片段;

11、步骤1-2,对所述标准化复基带信号片段进行短时傅里叶变换,将一维时域复基带信号映射为二维复数时频系数矩阵;

12、步骤1-3,对所述二维复数时频系数矩阵在时域方向上执行局部响应抵消处理,以抑制信道幅度响应分量并保留设备硬件非理想性引起的时频差异;

13、步骤1-4,对局部响应抵消处理后的时频系数矩阵执行异常值抑制、数值标准化与尺寸对齐映射,生成输入神经网络的通道无关时频图。

14、进一步地,步骤1-3中对所述二维复数时频系数矩阵在时域方向上执行局部响应抵消处理,具体为:

15、针对所述二维复数时频系数矩阵在同一频率索引下的相邻时间帧,计算相邻时间帧时频系数之间的幅值比值或对数幅值差值。

16、进一步地,步骤2中所述估计本地信道统计量,具体包括:

17、步骤2-1,通过功率谱分析估计信噪比,其中将信号功率谱中的低功率区域作为噪声基底估计值,将平均谱能量作为信号功率估计值;

18、步骤2-2,对多个短时频谱片段中的主频峰值进行统计,并通过计算主频峰值的离散程度估计多普勒频移;

19、步骤2-3,基于自相关函数衰减至预设阈值处的时延位置估计时延扩展;

20、步骤2-4,将估计得到的信噪比、多普勒频移和时延扩展分别裁剪至预设的物理合理区间内。

21、进一步地,步骤3中所述自适应互补增强参数范围的具体生成规则包括:

22、当客户端估计得到的平均多普勒频移低于第一预设频移门限时,将频偏增强范围扩展为,且设置频偏增强上限;其中,为预设频偏增强的扩展下限值,为预设频偏增强的扩展步长;

23、当客户端估计得到的平均时延扩展 低于第一预设时延门限时,将时延增强范围扩展为,且设置时延增强上限;其中,为预设时延增强范围下限,为预设时延增强的扩展下限值,为预设时延增强的扩展步长。

24、进一步地,步骤4中所述自监督对比学习训练采用归一化温度标度交叉熵损失函数即nt-xent损失函数对本地特征提取器和投影头进行优化训练;其中,nt-xent损失函数公式为:

25、

26、式中,为第i个增强样本,是与对应的正样本,即为样本i的正样本嵌入,为第k个增强样本, 表示余弦相似度,表示批次大小,为增强样本总数,表示温度参数,是指示函数;

27、所述各专家组在组内执行联邦模型聚合时,通过加权聚合算法基于组内各客户端的本地样本数量更新组内全局模型参数:

28、

29、式中, 表示第  个专家组在第  轮聚合后的全局模型参数, 表示第  个专家组中的客户端数量, 表示客户端  的本地样本数量,表示客户端的本地样本数量,表示客户端 在第  轮训练后的本地模型参数。

30、进一步地,步骤5中所述分类头包含全连接层、批归一化层、激活函数层和dropout 层,微调时采用交叉熵损失函数或带标签平滑的交叉熵损失函数进行监督训练。

31、进一步地,步骤6中,所述软投票机制具体为无参数等权软投票决策:

32、

33、式中, 表示待识别设备类别数量, 表示专家  对类别  输出的softmax概率, 表示最终的目标设备识别类别,表示参与决策的专家分类模型总数。

34、另一方面,提供了一种基于联邦多专家学习的射频指纹识别系统,用于实现所述方法,所述系统包括:

35、第一模块,用于获取无线发射设备发送的基带i/q信号,并转换为通道无关时频表征;

36、第二模块,用于根据本地信号样本估计各客户端的本地信道统计量;

37、第三模块,用于根据所述本地信道统计量动态生成与本地信道分布互补的数据增强参数范围;

38、第四模块,用于将多个客户端划分至多个专家组,各客户端在本地采用自适应互补增强执行自监督对比学习训练,各专家组独立执行组内联邦模型聚合以获取多个差异化专家特征提取模型;

39、第五模块,用于在各专家特征提取模型后端接入分类头,并利用目标接收机的带标签样本数据对各专家特征提取模型进行监督微调,得到多个已微调专家分类模型;

40、第六模块,用于将待识别信号的通道无关时频表征分别输入微调后的各专家分类模型,并通过软投票机制融合各专家分类模型输出的预测概率以输出设备识别结果。

41、另一方面,提供了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现所述基于联邦多专家学习的射频指纹识别方法。

42、另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于联邦多专家学习的射频指纹识别方法。

43、本发明与现有技术相比,其显著优点为:

44、(1)根据各客户端本地实际信号特征自适应生成互补的数据增强范围,针对性弥补信道覆盖不足的缺陷,可显著提升中低及多档信噪比条件下的识别性能。

45、(2)针对低空无线设备可能面临的高速移动多普勒频移、多径时延扩展和低信噪比接收问题,本发明通过扩大低多普勒客户端的频偏增强范围、扩大低时延客户端的时延增强范围,使训练样本覆盖更广的信道退化条件。与固定增强范围方案相比,该方法能够降低模型对单一客户端本地信道分布的依赖,令模型在高多普勒、高时延和低信噪比场景下保持更稳定的识别性能。。

46、(3)采用分组联邦训练构建多个差异化专家模型,并通过软投票机制融合判决,使不同专家学习到的互补特征协同生效,有效避免了单一全局模型存在的表征稀释问题。。

47、(4)结合通道无关时频表征提取与多专家概率融合,降低了接收机硬件响应差异对指纹特征的干扰,有效缓解训练与部署平台不一致时的跨硬件域偏移。

48、(5)基于联邦学习架构,各客户端原始射频 i/q 数据无需上传至中心服务器,仅仅进行模型参数或聚合结果交互,满足低空监测及敏感场景对数据安全与通信效率的要求。

49、下面结合附图对本发明作进一步详细描述。