一种基于等势星球图的射频信号基因特征提取方法与流程

1.本发明涉及信号特征提取领域，特别涉及一种基于等势星球图的射频信号基因特征提取方法。


背景技术：

2.随着无线通信网络带来的信息安全问题不断涌现，尤其是用户身份假冒、重放攻击和设备克隆等问题。近年来各国发生的攻击事件(如通过智能数据攻击导致电网发生切负荷、线路过载断线、连锁故障等)也逐步将电网在信息安全方面存在的各种隐患暴露出来。如何准确地识别和认证物联对象是电力物联网面临的首要问题，也是电力物联网应用的基础。
3.传统的认证机制是在应用层实现的，利用密码算法生成第三方难以仿冒的数值结果，但这种机制存在着协议安全漏洞和密钥泄露的风险。电力物联网非法接入设备的数据攻击将对整个网络造成严重的干扰与威胁，仅依靠传统的应用层密码认证方法难以保证通信系统的安全，因此设计有效的物理层认证系统具有重要意义。星球图可以表示出调制信号在特定基向量下投影出的向量端点(符号点)，可以表达信号在某一时刻相对载波的幅度、相位两种基本信息，其在两坐标轴的投影即为当前时刻的两路基带信号。数字调制信号的符号点数量是有限的，将所有符号点都表示在同一矢量图中，即构成星座图。但是，星座图由于其为二值图，在低信噪比下，统计特征会被噪声淹没，因此无法直接用于物理层认证。


技术实现要素：

4.针对现有技术缺乏有效的物理层认证手段的问题，本发明提供了一种基于等势星球图的射频信号基因特征提取方法，通过将星座图转化为等势星球图，再利用神经网络进行识别的方式进行特征提取，可以有效实现物理层的通信辐射源个体识别，具有较高的识别准确率。
5.以下是本发明的技术方案。
6.一种基于等势星球图的射频信号基因特征提取方法，包括以下步骤：s01：采集待识别的通信辐射源个体的射频基带信号；s02：将射频基带信号的样本表示为二维星座图；s03：根据二维星座图中向量端点的密度分布情况，对不同密度区域进行颜色区分，得到等势星球图；s04：利用预先训练好的神经网络对等势星球图进行识别，得到基于等势星球图特征的通信辐射源个体识别结果。
7.作为优选，步骤s02包括：在以i为横轴，q为纵轴的二维坐标上，将射频基带信号在指定基向量投影下的向量端点进行表示，得到矢量图，所有向量端点都表示完毕后，得到该射频基带信号对应的二维星座图；其中i是射频基带信号的同相信号，为射频基带信号的
cos分量，q是射频基带信号的正交信号，为射频基带信号的sin分量。
8.作为优选，步骤s01包括：利用频谱仪以预先设定的采样频率和采样时间，分别对待识别的通信辐射源个体的射频基带信号进行采集。
9.作为优选，所述采样频率为80mhz，所述采样时间为1.75ms。
10.作为优选，步骤s01中，还包括对采集到的射频基带信号进行数据扩充步骤：通过方差轨迹变点检测算法过滤出信号噪声段的有效数据传输段，再对有效数据传输段进行切片处理，得到切片后的若干射频基带信号。
11.作为优选，所述神经网络为深度卷积神经网络，训练过程为：从等势星球图中分出部分作为训练样本，其余作为识别样本，设置深度卷积神经网络的参数结构，随后导入训练样本进行训练，得到训练后的深度卷积神经网络。
12.作为优选，所述对不同密度区域进行颜色区分，包括：根据向量端点的密度差别进行渐变着色，然后再根据密度差别调整着色的亮度，其中亮度随密度增加而降低。着色后的图像相比着色前更具有辨识性，但为了进一步提高其特征的辨识性，这里采用了调整亮度的形式，使得密度差异更加明显，在颜色不同基础上增加亮度的不同，突出每幅图的特征。
13.本发明的实质性效果包括：通过神经网络对等势星球图进行特征提取和识别，使得通信辐射源个体识别成功率较高，在使用相同的深度卷积神经网络模型架构下，相较于传统的基于星座图的统计图域方法，可在计算效率不降低的前提下一定程度上提高识别准确率。
附图说明
14.图1是本实施例中的一种二维星座图；图2是本实施例中的一种等势星球图；图3是本实施例中的基于差分星座轨迹图特征的测试结果混肴矩阵图；图4是本实施例中的基于等势星球图特征的测试结果混肴矩阵图。
具体实施方式
15.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例，对本技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
17.应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
18.下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
19.实施例：一种基于等势星球图的射频信号基因特征提取方法，包括以下步骤：s01：采集待识别的通信辐射源个体的射频基带信号；步骤s01包括：利用频谱仪以预先设定的采样频率和采样时间，分别对待识别的通信辐射源个体的射频基带信号进行采集。本实施例采样频率为80mhz，采样时间为1.75ms。
20.步骤s01中，还包括对采集到的射频基带信号进行数据扩充步骤：通过方差轨迹变点检测算法过滤出信号噪声段的有效数据传输段，再对有效数据传输段进行切片处理，得到切片后的若干射频基带信号。
21.常见的无线网络信号有cdma、wi-fi、gsm、wimax、rfid、bluetooth、wcdma、lte、zigbee、z-wave等。以识别同厂家、同型号、同批次的20个wi-fi网卡设备为例，基带信号采集设备为fsw26型频谱仪，采集环境为实验室室内场景。共采集20个wi-fi网卡设备，每个设备采集50个样本；信号采样频率为80mhz，每次采集1.75ms，即每样本点个数为140000(以单路为例)，其中通过方差轨迹变点检测算法除去信号噪声段的有效数据传输段点数为80000(均为稳态信号)，再对有效数据传输段进行切片(以点数10000为新样本)处理，则每个样本切出了8个有效数据传输段片段，再以每个片段为一个样本，则每个设备变为共有50
×
8＝400个样本。此时，总共有20
×
400＝8000个样本。
22.s02：将射频基带信号的样本表示为二维星座图；步骤s02包括：在以i为横轴，q为纵轴的二维坐标上，将射频基带信号在指定基向量投影下的向量端点进行表示，得到矢量图，所有向量端点都表示完毕后，得到该射频基带信号对应的二维星座图，如图1所示是其中一个设备的二维星座图。i是射频基带信号的同相信号，为射频基带信号的cos分量，q是射频基带信号的正交信号，为射频基带信号的sin分量。
23.s03：根据二维星座图中向量端点的密度分布情况，对不同密度区域进行颜色区分，得到等势星球图，如图2所示是其中一个设备的等势星球图；其中对不同密度区域进行颜色区分，包括：根据向量端点的密度差别进行渐变着色，然后再根据密度差别调整着色的亮度，其中亮度随密度增加而降低。着色后的图像相比着色前更具有辨识性，但为了进一步提高其特征的辨识性，这里采用了调整亮度的形式，使得密度差异更加明显，在颜色不同基础上增加亮度的不同，突出每幅图的特征。
24.s04：利用预先训练好的神经网络对等势星球图进行识别，得到基于等势星球图特征的通信辐射源个体识别结果。
25.本实施例的神经网络为深度卷积神经网络，生成等势星球图后，随机选择6400个样本生成用于深度卷积神经网络的训练，剩余的1 600个样本进行识别测试，其中对于每个无线设备，训练样本个数为320，测试样本个数为80。
26.所设计的深度卷积神经网络结构如表1所示。网络层参数结构输入层227
×
227
×
3卷积层55
×
55
×
96池化层27
×
27
×
96标准化层27
×
27
×
96卷积层27
×
27
×
256
池化层13
×
13
×
256标准化层13
×
13
×
256卷积层13
×
13
×
384卷积层13
×
13
×
384卷积层13
×
13
×
256池化层6
×6×
256标准化层6
×6×
256全连接层9 216全连接层4 096全连接层4 096输出层20表1深度卷积神经网络结构
27.最后经过深度卷积神经网络的识别认证，分别得到基于差分星座轨迹图特征的通信辐射源个体识别结果和基于等势星球图特征的通信辐射源个体识别结果，测试结果如图3和图4所示。从图中可以看出，基于差分星座轨迹图特征的通信辐射源个体识别成功率为88.6％，而基于等势星球图特征的通信辐射源个体识别成功率为90.4％，说明在使用相同的深度卷积神经网络模型架构下，相较于传统的基于星座图的统计图域方法，本实施例在计算效率不降低的前提下(采用4.0ghz双处理器的笔记本电脑时，深度卷积神经网络模型每次识别的平均计算耗时不超过20ms)，可以一定程度提高识别准确率。
28.通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
29.在本技术所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个结构，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
30.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
31.另外，在本技术实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
32.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现
出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
33.以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。