基于联邦学习的电磁指纹认证模型训练系统及方法

本发明属于无线通信安全与物理层身份认证，尤其涉及一种电磁指纹认证模型训练系统及方法，可用于移动通信网络中设备身份认证场景，在不跨域传输原始电磁指纹数据条件下，实现多域电磁指纹认证模型的协同训练和跨域识别。

背景技术：

1、电磁指纹主要源于终端设备射频前端硬件电路的非理想特性、芯片制造偏差及调制链路差异，是能够表征终端设备个体特性的物理层特征。由于不同终端设备的射频硬件特性存在细微且相对稳定的差异，电磁指纹通常具有一定的稳定性、个体差异性以及难以复制、难以伪造等特点，已成为终端设备识别与身份认证的重要物理层安全手段。面向6g海量终端接入、通感一体化以及空口安全与隐私保护等应用需求，基于电磁指纹的身份认证能够为无线网络提供一种不完全依赖传统密钥或口令的内生安全增强方式。

2、在移动通信接入或认证过程中，终端设备会发送可由基站侧接收的上行无线信号。所述上行无线信号通常承载终端设备射频链路非理想特性、调制链路特性以及无线传播响应等信息，适合作为原始认证信号用于电磁指纹特征提取。基站侧可从所述原始认证信号中提取电磁指纹特征向量，并将该特征向量作为人工智能识别模型的输入样本，而无需终端额外发送专用认证信号。

3、公开号为cn116383705a的专利文献公开了一种基于lte dmrs的射频指纹识别方法，其通过采集终端在lte物理上行共享信道pusch上发送的dmrs，并将其解调为i/q复序列，进一步提取dmrs一阶特征复序列和二阶特征复序列；随后对所述特征复序列进行幅度和相位重构，将得到的dmrs射频指纹特征送入多输入卷积神经网络进行训练，从而实现对终端的射频指纹识别。

4、然而，在跨域终端认证场景中，上述方法仍存在一定不足。一方面，射频指纹特征与终端设备身份存在关联关系，若将多个基站或多个认证域采集的原始无线信号数据、射频指纹特征或训练样本集中汇聚用于神经网络训练，则容易造成敏感指纹数据的集中存储和跨域流转，增加隐私泄露风险。另一方面，若为了降低上述隐私风险而将各认证域采集的射频指纹数据保留在本地独立训练，则各认证域模型只能学习本域终端及本域无线环境下的指纹分布特征，难以获得其他认证域的设备指纹知识，导致不同认证域之间模型能力割裂，难以支持终端设备在不同认证域之间的跨域认证。

5、联邦学习提供了一种具有隐私保护能力的协同训练方式。对于电磁指纹认证任务，各认证域的核心网认证网元可在本地完成电磁指纹数据采集、特征提取和本地模型训练，仅向聚合服务器上传用于识别终端设备的智能模型；聚合服务器对各域本地模型进行聚合，获得可下发至各域核心网认证网元的全局电磁指纹识别模型，从而让不同域的模型拥有了对更广泛区域设备的认证能力。该方式能够避免原始电磁指纹数据跨域流转，降低数据隐私泄露风险，并提升模型对多域终端设备的认证能力。

6、公开号为cn120582765a的专利文献公开了一种基于边缘计算与联邦学习的多模态数据实时识别与协同处理系统，其包括云中心协调节点、多个边缘计算节点、跨模态加密引擎、联邦学习控制器及模型更新验证模块。云中心协调节点完成联邦学习模型的聚合与动态任务分配，并生成跨模态加密策略；边缘计算节点实现多模态数据采集与本地处理，完成模型训练。系统对多模态数据采用空间混淆、频域置换、同态加密等差异化算法加密；联邦学习控制器在边缘节点进行多模态特征融合、分层加密及动态组网；模型更新验证模块利用安全多方计算确保参数一致性后进行聚合更新。该方法虽说在边缘计算节点实现多模态数据实时处理时，通过联邦学习方法增强隐私保护水平，提升了数据协同处理效率。然而，由于其方案侧重于多模态数据的加密与协同处理，并未针对电磁指纹数据特征进行适应性设计，因而难以实现多域电磁指纹识别模型的高效训练和跨域识别。

7、因此，如何对原始电磁指纹数据进行结构化处理，如何通过联邦学习方式训练各核心网认证网元的电磁指纹识别模型，以及如何将训练后的全局电磁指纹识别模型下发至各核心网认证网元用于域内和跨域认证，是本领域需要解决的技术问题。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种基于联邦学习的电磁指纹认证模型训练方法及系统，以实现在降低数据隐私泄露风险的同时，提高电磁指纹识别模型对多域终端设备的认证能力。

2、本发明目的的技术思路是：以联邦学习协同训练为核心，各核心网认证网元仅上传本地模型，不上传原始电磁指纹数据；同时在各认证域的基站侧特征提取单元对从原始认证信号中提取的一维电磁指纹特征向量进行特征重构和多通道结构化处理；核心网认证网元使用多通道结构化处理后的电磁指纹特征进行本地模型训练，并利用训练后的全局电磁指纹识别模型完成终端设备的域内认证和跨域认证。

3、根据上述思路，本发明的技术方案包括如下：

4、1. 一种基于联邦学习的电磁指纹认证模型训练系统，其特征在于，包括：

5、终端设备，用于向基站侧接收单元发送原始认证信号；

6、基站侧接收单元，用于接收终端设备发送的原始认证信号，并将原始认证信号和终端设备身份标识转发给基站侧特征提取单元；

7、基站侧特征提取单元，用于接收原始认证信号和终端设备身份标识，从原始认证信号中提取电磁指纹特征向量，对特征向量进行结构化处理，并将特征向量与终端设备身份标识转发给本域的核心网认证网元；

8、核心网认证网元，用于接收本域基站侧特征提取单元上传的电磁指纹特征向量和终端设备身份标识，构建训练数据集，执行模型训练与交互流程，并进行终端设备认证；

9、聚合服务器，用于接收并聚合本地电磁指纹识别模型，并将全局电磁指纹识别模型下发至核心网认证网元。

10、进一步，所述基站侧接收单元，其包括天线阵列、射频前端和模数转换器，用于接收终端设备发送的无线射频信号，并经过预处理，将得到数字基带信号作为原始认证信号，同时解析获得所述终端设备身份标识，将原始认证信号和终端设备身份标识发送给所述基站侧特征提取单元。

11、进一步，所述核心网认证网元，包括：

12、数据集构建模块，用于将所述结构化多通道电磁指纹特征向量与终端设备身份标识对应，构建并保存本域训练数据集；

13、模型训练模块，用于利用所述本域训练数据集对本地电磁指纹识别模型进行训练；

14、模型交互模块，用于向聚合服务器上传本地电磁指纹识别模型，并将聚合服务器下发的全局电磁指纹识别模型保存在本地；

15、设备认证模块，用于根据基站侧提取的电磁指纹特征向量预测身份标签，并根据预测身份标签与终端声明身份是否一致，判定终端设备的认证通过或认证失败。

16、进一步，所述聚合服务器，包括：

17、模型接收模块，用于接收多个核心网认证网元上传的本地电磁指纹识别模型；

18、模型聚合模块，用于对多个核心网认证网元上传的电磁指纹识别模型进行聚合，得到全局电磁指纹识别模型；

19、模型下发模块，用于将所述全局电磁指纹识别模型下发至各认证域的核心网认证网元。

20、2.一种基于联邦学习的电磁指纹认证方法，其特征在于，包括：

21、（1）通过基站侧接收单元采集终端设备发送的原始认证信号；

22、（2）由基站侧特征提取单元从所述原始认证信号中提取结构化多通道电磁指纹特征向量；

23、（3）由核心网认证网元将所述结构化多通道电磁指纹特征向量与终端设备身份标识相对应，构成本域训练数据集；

24、（4）由核心网认证网元利用本域训练数据集训练本地电磁指纹识别模型，得到训练后的本地电磁指纹识别模型，并将该模型上传至聚合服务器；

25、（5）聚合服务器对各个核心网认证网元上传的本地电磁指纹识别模型进行模型聚合，获得全局电磁指纹识别模型，再将该全局电磁指纹识别模型下发至各核心网认证网元；

26、（6）通过多个核心网认证网元与聚合服务器进行多轮本地训练与模型聚合，直至达到最大联邦训练轮数，得到最终的全局电磁指纹识别模型；

27、（7）核心网认证网元使用所述最终的全局电磁指纹识别模型进行终端设备认证。

28、进一步，所述（2）中由基站侧特征提取单元从所述原始认证信号中提取结构化多通道电磁指纹特征向量，其实现包括：

29、（2a）当原始认证信号包含n个有效时频资源单元时，由所述基站侧特征提取单元从n个有效时频资源单元中提取n个复数特征，并将这n个复数特征的实部和虚部分离，形成2n维电磁指纹特征向量x；

30、（2b）根据第k个有效时频资源单元对应复数特征的实部和虚部，计算复数资源单元特征；

31、（2c）对每条样本的复数资源单元特征执行归一化，得到归一化后的复数资源单元特征：

32、（2d）对每个归一化后的复数资源单元特征构造其自身的四个特征通道；

33、（2e）按照有效时频资源单元的预设时频排列顺序，构造相邻资源单元复相关特征；

34、（2f）通过边界复制方式将所述相邻资源单元复相关特征补齐为长度 n的序列，将最后一个有效相邻资源单元复相关特征复制为边界特征，得到相邻资源单元复相关特征序列；

35、（2g）对每个相邻资源单元复相关特征构造其自身的四个特征通道，即实部、虚部、幅度和相位；

36、（2h）拼接归一化后的复数资源单元特征和相邻资源单元复相关特征构造的特征通道，得到结构化多通道电磁指纹特征向量，即的实部、虚部、幅度、相位，以及的实部、虚部、幅度和相位；

37、（2i）对所述结构化多通道电磁指纹特征向量的每个特征通道进行标准化，得到标准化后的特征向量。

38、本发明与现有技术相比，具有如下优点：

39、其一，提高模型对域内终端设备的识别能力。

40、现有方法通常将幅度和相位作为彼此独立的一维特征使用，未显式组织资源单元的复数结构及相邻资源单元之间的相关关系，导致其识别能力差。

41、本发明根据原始认证信号中的有效时频资源单元，分别构造资源单元自身以及相邻资源单元复相关特征的实部、虚部、幅度和相位通道，组成结构化多通道电磁指纹特征向量，能更充分地表征不同终端设备的射频硬件差异特征，提高模型对域内终端设备的识别能力。

42、第二，提高模型对跨域终端设备的识别能力。

43、现有的电磁指纹模型训练数据局限于单一认证域，模型难以获取其他认证域中的设备指纹信息和环境差异特征，导致模型对跨域设备的认证能力不足。

44、本发明在各核心网认证网元本地利用本域训练数据集训练本地电磁指纹识别模型，并由聚合服务器对多个本地模型进行聚合，使全局电磁指纹识别模型能够融合多个认证域的模型知识，学习到不同认证域下终端设备的电磁指纹特征，提高模型对跨域终端设备的识别能力。

45、第三，降低隐私泄露风险。

46、现有设备的跨域认证方式需要在不同认证域之间传输原始电磁指纹数据和认证结果，这些敏感数据在传输过程中存在隐私泄露风险。

47、在本发明中，各核心网认证网元仅向聚合服务器上传本地模型，不上传原始电磁指纹数据；在训练完成后，各核心网认证网元可直接利用训练后的全局电磁指纹识别模型完成域内认证和跨域认证，从而降低认证过程中的隐私泄露风险。