一种跨接收机射频指纹识别无源域自适应方法和系统与流程

本技术涉及无线信号识别与射频指纹认证，特别是涉及一种跨接收机射频指纹识别无源域自适应方法和系统。

背景技术：

1、随着物联网、工业互联网、车联网和无人系统等无线设备数量的增加，设备身份认证在无线网络安全中的作用日益重要。射频指纹识别从接收信号中提取的能够表征设备身份的射频指纹来源于设备硬件本身，具有难以复制和难以伪造的特点，因此可用于物联网设备认证、非法设备检测、频谱监管和无线网络安全防护等场景。

2、近年来，基于深度学习的射频指纹识别方法，通常利用卷积神经网络、残差网络或时序神经网络构建设备身份分类模型，在训练数据和测试数据来自相同或相近采集条件时能够获得较好的识别效果。然而在实际部署中，模型训练阶段和应用阶段所使用的接收设备可能不同，因此不同接收机的响应、增益或其他特性会同一发射设备的接收信号分布产生变化，这会造成跨接收机场景下的特征分布偏移和类别混淆，进而导致跨接收机场景下射频指纹识别的稳定性和准确性效果不佳。

3、针对相关技术中存在跨接收机场景下射频指纹识别的稳定性和准确性效果不佳的问题，目前还没有提出有效的解决方案。

技术实现思路

1、在本实施例中提供了一种跨接收机射频指纹识别无源域自适应方法和系统，以解决相关技术中跨接收机场景下射频指纹识别的稳定性和准确性效果不佳的问题。

2、第一个方面，在本实施例中提供了一种跨接收机射频指纹识别无源域自适应方法，应用于包括发射设备、源接收机及目标接收机的跨接收机射频指纹识别装置中；所述方法包括：

3、获取由源域射频信号样本监督训练完成后的第一射频指纹识别模型；所述第一射频指纹识别模型包括特征提取网络和身份分类网络；所述源域射频信号样本，由发射设备发射，并由源域接收机接收；

4、输入目标域射频信号样本至所述第一射频指纹识别模型，获取所述目标域射频信号样本的目标域软伪标签和可靠性样本划分结果；所述目标域射频信号样本，由发射设备发射，并由目标接收机接收；所述可靠性样本划分结果，对所述目标域射频信号样本施加随机扰动后确定；所述目标域软伪标签，用于表征所述目标域射频信号样本的预测标签相似度；

5、基于所述目标域软伪标签和所述可靠性样本划分结果，构建目标域自适应损失函数；根据所述目标域自适应损失函数，对所述第一射频指纹识别模型进行自适应训练，得到更新后的第二射频指纹识别模型；在自适应训练过程中更新所述特征提取网络的参数，并保持所述身份分类网络的参数固定。

6、在其中的一些实施例中，所述输入目标域射频信号样本至所述第一射频指纹识别模型，获取所述目标域射频信号样本的目标域软伪标签和可靠性样本划分结果，包括：

7、输入所述目标域射频信号样本至第一射频指纹识别模型，通过所述特征提取网络，获取所述目标域射频信号样本的目标域特征表示，并通过所述身份分类网络获取所述目标域射频信号样本的发射设备的身份类别预测概率；

8、基于所述发射设备的身份类别预测概率，构造所述发射设备的类别原型；

9、计算所述目标域射频信号样本的目标域特征表示，和所述发射设备的类别原型之间的特征相似度；

10、根据所述特征相似度，生成目标域软伪标签。

11、在其中的一些实施例中，所述输入目标域射频信号样本至所述第一射频指纹识别模型，获取所述目标域射频信号样本的目标域软伪标签和可靠性样本划分结果，还包括：

12、获取所述目标域射频信号样本，由所述第一射频指纹识别模型所确定的身份类别预测概率；

13、确定所述身份类别预测概率之间的差值为预测间隔；

14、获取所述目标域射频信号样本，由所述第一射频指纹识别模型所确定的第一身份类别预测结果；

15、对所述目标域射频信号样本施加随机扰动，构造扰动增强样本；获取所述扰动增强样本，由所述第一射频指纹识别模型所确定的第二身份类别预测结果；

16、确定所述第一身份类别预测结果和第二身份类别预测结果的差异，为增强稳定情况；

17、确定所述第一身份类别预测结果，与发射设备相似的类别原型的身份类别的一致性，为原型一致情况；

18、根据所述预测间隔、所述增强稳定情况和所述原型一致情况，确定所述目标域射频信号样本的可靠性评分；

19、基于所述可靠性评分划分所述目标域射频信号样本，得到可靠性样本划分结果；所述可靠性样本划分结果，用于在所述第一射频指纹识别模型的自适应训练过程中执行不同分类监督过程。

20、在其中的一些实施例中，所述输入目标域射频信号样本至所述第一射频指纹识别模型，获取所述目标域射频信号样本的目标域软伪标签和可靠性样本划分结果之后，还包括：

21、通过所述第一射频指纹识别模型，对所述目标域射频信号样本中施加扰动增强后的扰动增强样本，进行发射设备的身份类别预测，得到增强身份类别预测结果；

22、将所述增强身份类别预测结果一致的所述扰动增强样本，作为施加增强一致性约束的目标域射频信号样本；

23、匹配所述目标域射频信号样本与预设目标域记忆库的历史样本，确定所述历史样本中的邻居样本；所述邻居样本的历史信号特征表示与所述目标域射频信号样本的信号特征表示之间的相似度满足预设相似度阈值范围；

24、将与所述邻居样本的历史信号分布一致的信号预测分布所对应的目标域射频信号样本，作为施加邻域一致性约束的目标域射频信号样本。

25、在其中的一些实施例中，所述方法还包括：

26、基于施加增强一致性约束和施加邻域一致性约束的目标域射频信号样本、所述目标域软伪标签和所述可靠性样本划分结果，构建目标域自适应损失函数；

27、根据所述目标域自适应损失函数，对所述第一射频指纹识别模型进行自适应训练，得到更新后的第二射频指纹识别模型。

28、在其中的一些实施例中，所述方法还包括：

29、获取所述第一射频指纹识别模型的训练轮次；

30、根据所述训练轮次，确定可靠样本筛选阈值；

31、根据所述可靠样本筛选阈值，选择不同可靠性样本划分结果，对所述第一射频指纹识别模型进行自适应训练；

32、在所述训练轮次超过预设轮次阈值时，降低所述可靠样本筛选阈值。

33、在其中的一些实施例中，所述方法还包括：

34、输入由待识别发射设备所发射的待识别射频信号，至所述第二射频指纹识别模型，确定所述待识别发射设备的设备类型；所述待识别射频信号，由所述待识别发射设备发送，并由目标接收机接收。

35、第二个方面，在本实施例中提供了一种跨接收机射频指纹识别无源域自适应系统，所述系统包括：获取模块、处理模块和更新模块；

36、获取模块，用于获取由源域射频信号样本监督训练完成后的第一射频指纹识别模型；所述第一射频指纹识别模型包括特征提取网络和身份分类网络；所述源域射频信号样本，由发射设备发射，并由源域接收机接收；

37、处理模块，用于输入目标域射频信号样本至所述第一射频指纹识别模型，获取所述目标域射频信号样本的目标域软伪标签和可靠性样本划分结果；所述目标域射频信号样本，由发射设备发射，并由目标接收机接收；所述可靠性样本划分结果，对所述目标域射频信号样本施加随机扰动后确定；所述目标域软伪标签，用于表征所述目标域射频信号样本的预测标签相似度；

38、更新模块，用于基于所述目标域软伪标签和所述可靠性样本划分结果，构建目标域自适应损失函数；根据所述目标域自适应损失函数，对所述第一射频指纹识别模型进行自适应训练，得到更新后的第二射频指纹识别模型；在自适应训练过程中更新所述特征提取网络的参数，并保持所述身份分类网络的参数固定。

39、第三个方面，在本实施例中提供了一种跨接收机射频指纹识别装置，所述装置包括发射设备、源接收机、目标接收机和处理器；

40、所述发射设备用于发射射频信号；所述源接收机和目标接收机，均用于接收所述发射设备发射的射频信号；

41、所述处理器用于执行上述第一个方面所述的跨接收机射频指纹识别无源域自适应方法，对第一射频指纹识别模型进行更新，得到更新后的第二射频指纹识别模型；根据所述第二射频指纹识别模型，确定待识别发射设备的设备类型。

42、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的跨接收机射频指纹识别无源域自适应方法。

43、与相关技术相比，在本实施例中提供的一种跨接收机射频指纹识别无源域自适应方法和系统，通过有发射设备身份信息的源域射频信号样本，训练得到第一射频指纹识别模型，并输入不具有发射设备身份信息的目标接收机射频信号样本至该模型中，分别确定目标接收机射频信号样本的目标域软伪标签和可靠性样本划分结果，从而减少错误伪标签参与模型更新，降低错误监督信息在自适应过程中的累积，进而提高跨接收机场景下射频指纹识别的稳定性和准确性。

44、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。