一种基于射频指纹的IFF信号识别方法、装置及介质与流程

一种基于射频指纹的iff信号识别方法、装置及介质
技术领域
1.本发明涉及信号识别领域，尤其涉及一种基于射频指纹的iff信号识别方法、装置及介质。


背景技术：

2.iff(个体身份识别系统)是现代航空无线通信确认身份的重要手段之一，可以在保障信息安全的前提下快速、便捷的监视空域内航空设备并与之通信。现代航空技术的快速发展对空域利用率提出了更高要求，iff信号识别可以作为获得对方电子航空设备状态信息的重要来源，根据对所接收的iff信号经过分析与识别研究，就可以统计出对方飞行器的特点与出行等重要的信息。在空域监测中这些信息十分重要，关系到整个空域内飞行器的飞行安全。
3.由于iff信号在开放的通信媒介中进行信息交互，任何一个iff无线设备发射的无线信号均可被其覆盖范围内的所有用户接收到。这样的特性，使得iff设备在部署上获得极高的便捷性和灵活性的同时，也产生了明显的信息安全隐患，恶意用户可以在开放的iff无线通信媒介中窃听到合法设备间的交互信息，从而窃取合法用户身份识别和认证方法的信息数据，并利用高性能计算机对所获取的信息进行破解，最终可以假冒合法用户的身份对合法iff无线网络主动发起伪装入侵。
4.射频指纹(radio frequency fingerprinting，rff)被认为是一种提升无线信息网络安全的有效方法。射频指纹是指无线网络设备在生产制造过程中存在的固有缺陷对射频信号产生的特定影响。利用对射频信号提取的这种固有且唯一的射频指纹特征，对无线设备的身份进行识别。
5.从根本上来说，射频指纹主要源自于设备本身射频电路部分的电子元器件容差。具体地，元件的容差主要考虑制造容差与漂移容差两个方面。其中，制造容差主要是在设备的实际生产、装配、调试环节中引入的。由于制造工艺、硬件加工精度等非理想因素，导致元件出厂时的实际电学参数值与标称值存在一定的差距。元件容差的存在，使得即使是同一厂商生产的同一型号的设备，也会存在某些细微的差别。漂移容差是指，随着时间的推移造成的设备老化、以及工作时温度、湿度等周围环境变换等因素导致的设备使用过程中元件值的变化。这种硬件上的差异足以满足通信标准的要求，但会对发射机所发送的电磁波信号产生不同的影响。这些影响具体会反映在发射机的电磁波信号中，使得即使在相同的信息激励下，其输出信号也能呈现不同特征，从而能够与单个发射机的身份关联在一起。
6.机器学习是现阶段解决很多人工智能问题的主流方法，依据模拟人类生活学习的过程，对数据进行学习。深度学习方法在特征学习能力上具有良好的优势，其对特征的提取与表示能力要比传统机器学习的方法更强。深度学习方法在图像、语音识别、自动驾驶等方面已经出现大量的成功应用，近期的研究开始尝试将深入学习方法引入到无线设备身份识别方法中。专利cn109684995a公开了一种基于深度残差网络的特定辐射源识别方法及装置针对通信信号非平稳、非线性的特性，将hilbert时频谱的灰度图像作为信号的表现形式，
利用深度残差网络提取辐射源的射频指纹特征，完成分类识别，但是由于hilbert时频谱图像中蕴含较多细微特征，增加了深度学习的训练难度，另外，采用hilbert-huang变换对接收到的中频或射频信号进行直接时频分析，没有统一变换到基带进行分析，hilbert-huang变换主要包括经验模态分解(emd)和hilbert变换两个过程，经验模态分解(emd)的关键参数为分解的总层数n，得到本征模态函数(imf)及残余分量。不同的载频(信号频率)对经验模态分解(emd) 总层数n选择较敏感，即使是同一发射机选择不同的载频发射信号，采用同一emd分解方式，得到的hilbert-huang变换时频结果将不同。输入到随后的深度学习网络中进行分类识别，可能达不到预期的结果。


技术实现要素：

7.本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于射频指纹的iff信号识别方法、装置及介质，可以有效提取出iff信号的射频指纹数据，并导入深度残差卷积神经网络进行有效的识别分类，从而可以有效防范伪装入侵。
8.为了解决上述技术问题，本发明采用的技术方案为：
9.一种基于射频指纹的iff信号识别方法，包括以下步骤：
10.s1)获取iff信号，将iff信号处理后得到i/q基带信号，将i/q基带信号映射到复平面上绘制星座图，计算星座图中各星座点对应的密度值，用不同颜色标记星座图上不同密度值的星座点得到星座点密度图，将所述星座点密度图作为iff信号的射频指纹数据；
11.s2)将iff信号的射频指纹数据输入预先配置的深度学习网络识别射频指纹特征并得到识别分类结果；
12.s3)对iff信号进行解调解码读取所包含的信息，如果所述信息或者所述识别分类结果为未知设备，则停止接收该iff信号并停止向该iff信号的来源发送信息。
13.进一步的，步骤s1)中计算星座图中各星座点的对应密度值包括以下步骤：
14.s11)选取星座图中一个星座点作为当前星座点，以当前星座点为中心设置对应的有效区域，计算所述有效区域和星座图中星座点数量的比值，作为当前星座点的密度值；
15.s12)返回步骤s11)直到得到星座图中每一个星座点的密度值。
16.进一步的，步骤s1)中所述的不同颜色具体为与密度值一一对应的灰度值或色值。
17.进一步的，步骤s11)中，所述有效区域的为正方形，当前星座点的密度值的函数表达式如下：
[0018][0019][0020]
上式中，i表示当前星座点的序号，b表示以当前星座点为中心的正方形边长，h(pi)，v(pi) 分别为当前星座点的纵坐标和横坐标的值，n为星座图区域的所有星座点数量，j为星座图其他星座点的序号，h(pj)，v(pj)分别为其他星座点的纵坐标和横坐标的值。
[0021]
进一步的，步骤s1)之前还包括配置深度学习网络的步骤，具体包括：构建深度残差卷积神经网络，将预设的信号模型作为样本数据输入所述深度残差卷积神经网络进行训
练学习，所述深度残差卷积神经网络包括顺序连接的6个结构化残差层和1个维度匹配层，所述结构化残差层包括依次级联的1
×
1卷积模块、2个残差单元以及1个池化层。
[0022]
进一步的，所述残差单元包括二个级联的卷积层，所述残差单元包括二个级联的卷积层，第一个卷积层使用线性整流函数激活，第二个卷积层使用线性函数激活，并添加短路连接将输入特征映射与经过卷积运算的输出特征映射相加，从而得到总特征映射输出在训练过程中迫使网络学习输入与输出的差异性。
[0023]
进一步的，所述深度残差卷积神经网络使用随机梯度下降进行训练学习，设置权重衰减的值为0.0001，动量的值为0.9，学习率的值为0.1。
[0024]
进一步的，所述深度残差卷积神经网络进行训练学习时，若错误率停滞将学习率的值除以10。
[0025]
本发明还提出一种基于射频指纹的iff信号识别装置，包括：
[0026]
射频指纹数据处理模块，用于将iff信号处理后得到i/q基带信号，根据i/q基带信号绘制星座图，计算星座图中各星座点对应的密度值，用不同颜色标记星座图上不同密度值的星座点得到星座点密度图，将所述星座点密度图作为iff信号的射频指纹数据；
[0027]
深度残差神经网络分类识别模块，用于构建深度残差卷积神经网络，将预设的信号模型作为样本数据输入所述深度残差卷积神经网络进行训练学习，将iff信号的射频指纹数据输入训练好的深度残差卷积神经网络识别射频指纹特征并得到识别分类结果；
[0028]
伪装攻击判别模块，用于对iff信号进行解调解码读取所包含的信息，如果所述信息或者所述识别分类结果为未知设备，则确认存在伪装攻击，停止接收该iff信号并停止向该iff 信号的来源发送信息。
[0029]
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有被编程或配置以执行任一所述的基于射频指纹的iff信号识别方法的计算机程序。
[0030]
和现有技术相比，本发明具有下述优点：
[0031]
1.本发明对iff信号处理后将i/q信号映射到复平面上得到星座图，对于星座图上的数据处理，本发明采用区域计算的方式计算星座图上的星座点密度分布情况，用不同颜色标记星座图上不同密度值的星座点，使得密度较大的区域高亮显现，一方面可以直观的体现不同 iff信号之间的区别，另一方面在星座图的基础上增加新的特征，提高了深度学习训练后分类识别的准确率。
[0032]
2.本发明的深度学习网络采用深度残差卷积神经网络，有效解决神经网络随着深度增加导致性能退化的问题，并提高识别准确率，与此同时使用随机梯度下降进行网络优化，并设置网络性能最优时的参数值，确保深度残差卷积神经网络可以达到最优状态。
[0033]
3.本发明在对iff信号进行识别的同时还对iff信号进行解调解码，在解调解码结果与识别分类结果不一致的情况下确定可能存在伪装攻击，并且进行对应处理，提高了安全性能。
附图说明
[0034]
图1为本发明实施例的方法的流程示意图。
[0035]
图2为本发明实施例中星座点密度计算示意图。
[0036]
图3为本发明实施例中星座图转换为星座点密度图的示意图。
[0037]
图4为本发明实施例中不同iff信号处理得到的星座点密度图。
[0038]
图5为本发明实施例中采用的深度残差卷积神经网络的结构化残差层的结构示意图。
[0039]
图6为本发明实施例中采用的深度残差卷积神经网络的残差单元的计算示意图。
[0040]
图7为本发明实施例中构建的深度残差卷积神经网络的结构示意图。
具体实施方式
[0041]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0042]
如图1所示，本发明提出一种基于射频指纹的iff信号识别方法，包括以下步骤：
[0043]
s1)获取iff信号，将iff信号处理后得到i/q基带信号，i/q基带信号包括基带信号的同相分量(i分量)和正交分量(q分量)，将i/q基带信号映射到复平面上绘制星座图，计算星座图中各星座点对应的密度值，用不同颜色标记星座图上不同密度值的星座点得到星座点密度图，将所述星座点密度图作为iff信号的射频指纹数据；
[0044]
s2)将iff信号的射频指纹数据输入预先配置的深度学习网络识别射频指纹特征并得到识别分类结果；
[0045]
s3)对iff信号进行解调解码读取所包含的信息，如果所述信息或者所述识别分类结果为未知设备，则停止接收该iff信号并停止向该iff信号的来源发送信息。
[0046]
本实施例中，基于星座图可以有效的提取射频指纹数据。在数字通信领域，为了更直观地表示采样信号之间的映射关系，通常将用于判决的采样点绘制在复平面上，这一过程所得到的图被称为星座图。星座图对研究i/q基带信号的关系非常有用，为识别幅度失衡、幅度噪音、相关干扰、正交误差、相位误差、调制误差比等调制问题提供了一种便捷的途径。由于通信信号的星座图中包含了稳态部分的特征，因此可以用来作为射频指纹。星座图上每个符号都可以用一个复数来表示，以看作是复平面上的一组点，水平实轴表示i分量，垂直虚轴表示q分量。根据星座图上星座点的分布情况就可以直观的了解不同iff信号所存在的区别。
[0047]
一般情况下，星座图用一种颜色显示星座点，用另一种颜色作为底色，这种情况下，星座图的特征不够明显，利用星座图进行机器学习过程中，训练难度较大，且影响正确率，为此本实施例中对星座图进一步处理，步骤s1)中首先计算星座图中各星座点对应的密度值，，包括以下步骤：
[0048]
s11)选取星座图中一个星座点作为当前星座点，以当前星座点为中心设置对应的有效区域，计算所述有效区域和星座图中星座点数量的比值得到有效区域的密度值，作为当前星座点的密度值，如图2所示，假设一定时间段内星座图上有n个星座点，从星座图左上角开始，按照从左往右、从上往下的方向依次为每个星座点标号，如第一个星座点为p0，最后一个星座点为p
n-1
，以当前星座点pi为中心，采用边长为b的正方形作为有效区域来计算星座点pi的密度值；
[0049]
s12)返回步骤s11)直到得到星座图中每一个星座点的密度值，遍历所有星座点，则可计算出星座图的密度图谱。
[0050]
得到星座图中各星座点的密度值，然后配置与所述密度值一一对应的颜色，分别
将每个星座点用对应的颜色标记，得到星座点密度图，与密度值一一对应的颜色可以是与密度值一一对应的灰度值，也可以是与密度值一一对应的色值，由于灰度值的范围有限，可能表征不了所有密度值，本实施例中采用与密度值一一对应的色值，通过彩色图片来表征星座图中所有星座点的密度值。
[0051]
根据步骤s1将星座图转换为星座点密度图的效果如图3所示，在实际情况下，针对三个不同iff信号，根据步骤s1进行处理得到的星座点密度图如图4所示，可以明显看出，星座点密度图中的每个星座点被标记了与其密度值对应的颜色，相比于星座图，可以更加直观的体现出星座点的分布情况，更加有利于机器学习训练中提取特征，并提高识别准确率。
[0052]
本实施例的步骤s11)中，所述有效区域的密度值为有效区域中所有星座点与星座图中星座点总数的比值，由于本实施例中有效区域为正方形，因此有效区域中所有星座点与当前星座点的横坐标之差小于有效区域水平方向长度的一半，有效区域中所有星座点与当前星座点的纵坐标之差小于有效区域竖直方向长度的一半，当前星座点的密度值的函数表达式如下：
[0053][0054]
上式中，i表示当前星座点的序号，b表示以当前星座点为中心的正方形边长，h(pi)，v(pi) 分别为当前星座点的纵坐标和横坐标的值，n为星座图区域的所有星座点数量，j为星座图其他星座点的序号，h(pj)，v(pj)分别为其他星座点的纵坐标和横坐标的值。
[0055]
式(1)中g[
·
]函数为：
[0056][0057]
即通过计算落入以第i点星座点为中心，边长为b的正方形区域内的星座点数，与星座图区域的所有星座点数比值，来量化当前i点星座点的密度值。根据计算密度值的大小对当前第i点星座点赋予不同的颜色。星座点密度图最终体现的效果就是，点数越多越密的区域会越高亮。
[0058]
本实施例的步骤s1)之前还包括配置深度学习网络的步骤，具体包括：构建深度残差卷积神经网络，将预设的信号模型作为样本数据输入所述深度残差卷积神经网络进行训练学习，深度残差卷积神经网络可以有效解决卷积神经网络随着深度增加导致的性能退化问题，如图 5所示，本实施例中，深度残差卷积神经网络在传统残差模块的基础上对卷积神经网络的功能层进行整合，得到适用于信号识别的改进的网络结构，为了充分发挥残差模块在运算上关于信息流动的高效性，本实施例将传统残差模块的基本单元进行改动并叠加，然后再重新增添1
×
1升维卷积模块，按次序将1
×
1卷积模块、2个残差单元以及1个池化层进行堆叠，从而构成新的结构化残差层。
[0059]
在结构化残差层中，首先采用1
×
1卷积核进行卷积运算完成图像通道数的升维，用于调节图像通道数量，随后经过两个残差单元，残差单元结构如图6所示，残差单元的作用是防止网络在训练学习过程中梯度消失或梯度爆炸，从而达不到预期的网络模型(通常在深度学习中，越深的网络结构越能获得更具有代表性的特征，但是在网络层数加深的时候往往会出现梯度消失和梯度爆炸的问题，问题主要是网路越深的时候变化量越小，梯度
就逐渐消失，所以就提出学习残差来代替学习原始信号。残差网络提出就是为了解决怎样在加深网络的情况下又不会发生梯度消失的问题。)。最后一步进行池化层操作，本方案采用最大池化层操作，其作用保留图像主要特征的同时，有减少图像的维度，减少计算量。
[0060]
如图6所示，本实施例中的残差单元包括两个顺序的卷积层，分别使用relu激活函数和linear线性激活，并添加短路连接(shortcut connection)将输入特征映射x与经过卷积运算的输出特征映射f(x)相加，从而得到总特征映射输出h(x)在训练过程中迫使网络学习输入与输出的差异性。残差单元在结构和连接上的特殊性使其能够为网络内部信息的流动提供“直接”通道，并且不仅限于残差单元内部，而是贯穿整个网络模型。对于极深的网络架构，常规的卷积层堆叠连接通常会导致网络训练过程中误差信号在反向传播阶段产生截断问题：层数太多造成梯度信号在深层至浅层的回流过程中产生消失或是爆炸现象，从而导致训练迭代过程难以收敛。残差单元内部的短路连接形式为特征数据的运算提供了一种“恒等映射”，这对于网络内部信号的流动，无论是前向还是反向，都开辟了直接的通道，使信号能够在残差运算单元之间自由传播，从而避免了梯度信号的截断问题。
[0061]
设网络模型中第l个残差单元的输入为x
l
，输出为y
l
，由卷积运算构成的映射为 f(x
l
,w
l
)，其中w
l
＝{w
l,k
|1≤k≤k}代表第l个残差单元中第k个卷积层的权重参数，则：
[0062]yl
＝h(x
l
) f(x
l
,w
l
)
[0063]
x
l 1
＝f(y
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0064]
对于恒等映射(identity mapping)的残差单元，f(y
l
)＝y
l
，h(x
l
)＝x
l
，则上式可重新写为：
[0065]
x
l 1
＝x
l
f(x
l
,w
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0066]
递归地，第l 1个残差单元的输出特征映射可表示为：
[0067]
x
l 2
＝x
l 1
f(x
l 1
,w
l 1
)＝x
l
f(x
l
,w
l
) f(x
l 1
,w
l 1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0068]
则对于网络模型内部任意深层的残差单元l和任意浅层l。
[0069][0070]
上式表明残差网络中任一深层的特征映射x
l
都能由浅层的特征映射x
l
和其之间一系列残差映射∑f表示，则在训练过程中的梯度反向传播阶段，对于损失函数ε所产生的误差信号，由链式求导法则：
[0071][0072]
这表明关于l层的梯度的反向传播由两个加性部分组成：第一是不包含任何权重层的第二是涉及到l与l之间权重层的加性部分意味着信息可直接回传至浅层l，而不是必须在其间的权重层逐步回溯，并且在批量梯度下降算法中，由于一个批次的样本下不可能使得的值总为-1，所以即使在网络模型的权重参数取值任意小的情况下，残差单元的存在也能防止梯度消失现象的发生。
[0073]
本实施例中，预设的信号模型包括正交误差、相位误差、调制误差等参数组合的误
差射频信号等19类固定误差射频信号，以及一类与这19类信号的误差参数值不一样的射频信号误差，一共20种信号模型，20种信号模型按照步骤s11)至s13)得到对应的星座点密度图后输入深度残差卷积神经网络进行训练学习，来提取每种信号模型的特征。
[0074]
如图7所示，本实施例中的深度残差卷积神经网络采用resnet网络技术实现，共32层 (只计算了卷积层、全连接层和维度匹配层)，包含6个结构化残差运算层，1个维度匹配层和1个全连接层。网络的卷积运算操作主要集中在结构化残差层与维度匹配层，为了在模型初段保留原始数据样本的映射值域，维度匹配层激活函数采用linear线性激活，使网络节点之间维度能够匹配上，从而使计算顺利进行下去。同时，在结构化残差层的残差运算单元中采用relu函数和linear线性函数的顺序组合，为网络内部的深层特征映射值域提供合适的动态范围限度。为了防止resnet层数过多而导致过拟合现象，考虑在模型中添加随机失活 dropout策略，概率dropout的值在0～1之间。
[0075]
本实施例中，在配置深度残差卷积神经网络时进行了以下参数优化，以确保本实施例的深度残差卷积神经网络可以达到最优的效果：
[0076]
使用color augmentation(对颜色的数据增强)做数据扩增，对颜色的数据增强包括图像亮度、饱和度、对比度变化生成样本训练数据，收集数据准备训练深度学习模型时，经常会遇到某些分类数据严重不足的情况，另外数据集过小容易造成模型的过拟合，所以要采用数据增强技术；
[0077]
在每个卷积层之后，激活函数之前使用batch normalization(批标准化)，深度学习网络模型训练困难的原因是，网络结构中包含很多隐含层，每层参数都会随着训练而改变优化，所以隐层的输入分布总会变化，每个隐层都会面临相关系数偏移的问题。随着训练的进行，没有批量标准化的数据会使得每层输入不再是独立同分布，这就造成，上一层数据需要适应新的输入分布，会落入饱和区，使得学习效率过低，甚至梯度消失，如果批量标准化数据后，以上问题就解决了，训练出的效果就很好；
[0078]
配置深度残差卷积神经网络使用sgd(随机梯度下降)进行训练学习，设置weight decay (权重衰减)的值为0.0001，momentum(动量)的值为0.9，通过经验值，使训练后模型达到要求；
[0079]
设置learning rate(学习率)的值为0.1，以适配本实施例中的深度残差卷积神经网络，深度残差卷积神经网络进行训练学习时，若错误率停滞将learning rate的值除以10；
[0080]
设置使用dropout，在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。dropout可以比较有效的缓解过拟合的发生，具有集成学习的效果，dropout在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征。
[0081]
根据上文所述的方法，本发明还提出一种基于射频指纹的iff信号识别装置，包括：
[0082]
射频指纹数据处理模块，用于将iff信号处理后得到i/q基带信号，根据i/q基带信号绘制星座图，计算星座图中各星座点对应的密度值，用不同颜色标记星座图上不同密度
值的星座点得到星座点密度图，将所述星座点密度图作为iff信号的射频指纹数据；
[0083]
深度残差神经网络分类识别模块，用于构建深度残差卷积神经网络，将预设的信号模型作为样本数据输入所述深度残差卷积神经网络进行训练学习，将iff信号的射频指纹数据输入训练好的深度残差卷积神经网络识别射频指纹特征并得到识别分类结果；
[0084]
伪装攻击判别模块，用于对iff信号进行解调解码读取所包含的信息，如果所述信息或者所述识别分类结果为未知设备，则确认存在伪装攻击，停止接收该iff信号并停止向该iff 信号的来源发送信息。
[0085]
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有被编程或配置以执行任一所述的基于射频指纹的iff信号识别方法的计算机程序。
[0086]
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。