一种新的基于信号导频的射频指纹识别方法

曾盛, 朱丰超,*, 杨剑

(1. 火箭军工程大学 作战保障学院, 西安 710025; 2. 火箭军工程大学 导弹工程学院, 西安 710025)

互联网技术的快速发展在给人们的生活带来诸多便利的同时,也对信息安全防护与个人隐私保护提出了挑战[1]。 传统的信息安全技术基于密码算法或者公私钥加密技术,但是该技术存在一定的局限性:①具有高计算量和高复杂度;②存在一定时延;③存在密钥泄露风险和被破解可能,难以满足人们对信息安全防护的需求。 而基于物理层的信息安全技术具有低复杂度、低时延和理论上不可破解的优势,得到了国内外学者的广泛关注[2-4]。

1995 年,Choe 等[5]首次提出了利用无线通信设备发出的瞬态信号所包含的“指纹”信息来进行设备识别认证的方法。 正如人类的指纹一样,无线通信设备工作时向外辐射的信号会因为设备固有特性产生细微的差异,如晶体振荡器产生的载频误差、定时器产生的误差等,这种误差综合起来会使通信设备发出的信号之间可以区分。因此,射频指纹识别技术能够应用于辐射源个体识别、设备认证、无线电管理等诸多领域,拥有广阔的应用前景[6]。 1996—2020 年期间,文献[7-10]先后提出了基于信号瞬态部分和稳态部分的射频指纹识别技术,并采用传统的机器学习算法进行分类,然而该类方法需要提前选取信号的指纹特征,特征选取的合适与否直接影响到最终的分类效果,对于不同种类的设备和信号,很难确定最优特征。 因此,传统的机器学习射频指纹分类方法存在特征选取复杂度高、识别精度不高的缺陷。 随着机器学习技术的快速发展,深度神经网络在射频指纹识别领域的应用有效解决了特征选取复杂度高这一问题[11-14],其中,基于AlexNet 网络改进的卷积神经网络(convolutional neural network,CNN)结构在射频指纹识别领域取得的效果最好。

虽然相比于传统的机器学习分类算法,现有基于深度神经网络的方法有效解决了特征选取复杂度高这一问题,而且取得了很不错的分类效果,然而仍然存在一定的改进空间。 ①现有基于深度学习的射频指纹识别方法网络输入大都是原始的I/Q 序列,未考虑信号负载信息对分类结果的影响,随着通信技术的发展,为了方便接收机的设计,IEEE 802.15.4 无线通信协议[15]为传输信号添加了导频部分,导频具有固定的内容,与负载内容无关,因此只包含信号的指纹信息,利用信号的导频部分作为网络输入能有效避免信号负载对射频指纹识别结果带来的不利影响。 ②深度学习方法如果只考虑单一卷积核,同时仅关注网络深度而没有兼顾网络宽度时,就会造成网络无法从多个尺度上学习信号的指纹特征,识别精度仍然存在一定的提升空间。

针对以上问题,本文基于IEEE 802.15.4 无线通信协议设计了一种新的导频提取算法,提取出信号的导频部分作为网络的输入。 同时,提出了一种基于Inception 网络[16]的射频指纹识别方法,相比于单一结构的卷积神经网络,Inception 网络具有更加复杂的网络结构,能够从多种特征尺度上学习信号的指纹信息,显著提升分类精度。

1 系统模型

如图1 所示,假设通信双方分别为Alice 和Bob, Alice 为发送方,Bob 为接收方,待发送的信息为二进制比特序列d1×n。

图1 通信系统模型Fig.1 Communication system model

为了方便通信系统的设计,IEEE 802.15.4 无线通信协议[15]规定信息在传输前需要进行帧包装。 图2给出了包装后的物理层帧结构。 其中,SHR 表示物理层同步帧头,PHR 表示物理层帧头,PHY Payload 表示物理层负载,Preamble 表示导频,SFD 表示开始帧分隔符。 将得到的数据帧进行一次直接序列扩频,增强信号的抗干扰性和抗多径干扰能力。 对于正交四相相移键控(orthogonal quaternary phase shift keying,OQPSK)调制方式的通信系统,发送端信号处理的全过程如图3 所示。

图2 物理层帧结构Fig.2 Frame structure of physical layer

图3 发送端信号处理过程Fig.3 Signal processing at transmitter

首先,将二进制比特序列d1×n包装成数据帧,得到帧序列d1×N;然后,将d1×N每4 个bit 映射 成一个符号si(Symbol),所有的符号构成一个符号矩阵S4×m:

式中:m=N/4。

每个符号si映射成一个包含32 bit 的码片,得到发送端的扩频序列:

式中:p=32 ×m;G(·)表示Symbol-to-Chip 映射关系。

当传输中心频率为2. 45 GHz 和2. 38 GHz时,Symbol-to-Chip 映射关系如表1 所示。

表1 2.45 GHz Symbol-to-Chip 映射关系Tabel 1 Mapping relationship of 2.45 GHz Symbol-to-Chip

式中:xPreamble为需要提取出来的信号导频部分。xSFD为信号xPA(t)的帧首界定符,xPHR为物理层数据帧头部分,xPayload表示有效载荷部分。

现有研究虽然已经证明了基于信号导频的射频指纹识别技术具有很好的发展前景,但是均没有提出一种有效的信号导频提取方法。 文献[8]中基于窗函数和功率上升的方法对于接收机采样率要求很高,而且只能大概估计导频位置;文献[9]中基于瞬态起点估计的方法受信道噪声影响大,不能准确找到导频的起始位置,基于人眼识别的方法更是效率低下。 针对以上现状,本文基于IEEE 802.15.4 无线通信协议[15]设计了一种新的导频提取算法,有效解决了以上问题。

2 导频提取算法

图4 给出了无线通信流程框架。 假设接收端接收到的信号记为r(t):

图4 无线通信流程框架Fig.4 Frame diagram of wireless communication

式中:h(·)为无线信道;n(t)为信道噪声。 从r(t)中精确找到信号的导频部分需要经历2 步。

2.1 解 调

首先利用混频器对信号进行下变频至基带信号,然后通过低通滤波器滤除带外噪声,在模数转换器中对信号进行奈奎斯特采样得到数字信号序列r[s]:

式中:ωc为载波频率;r[s]为采样后的离散数字信号序列;⊗表示卷积运算;hLP(t)表示低通滤波函数;rLP(t)为经过下变频和低通滤波后的信号;δTs(t)为周期性单位冲激脉冲,Ts为采样周期。

由于信号在无线信道中传播后会受到噪声干扰,需要在接收端对采样后的信号进行自动增益控制(automatic gain control, AGC),提高信噪比:

式中:FAGC(·)为AGC 模块。

经过自动增益控制后,再对信号进行匹配滤波(matched filter, MF)得到rMF[s],匹配滤波的目的同样是为了提高信号信噪比:

式中:HMF(·)为MF 模块。

信号在传输过程中会产生频率偏移,对存在频率偏移的信号进行解码会引入误差,导致误码率上升,因此需要对信号进行频率补偿。 首先使用基于快速傅里叶变换(fast Fourier transform,FFT)的方法进行粗频率补偿,该方法对rMF[s]平方,得到2 个谱峰,然后对2 个谱峰的频率进行平均和减半,从而得到粗补偿频率Δf^。

式中:fsamp为采样频率;m为调制阶数;Rsym为符号速率;N为采样数。

粗频率补偿后得到信号rCC[s]为

式中:T为符号周期;θ为载波相位。

精频率补偿基于文献[17]中描述的OQPSK载波恢复算法,算法框图如图5 所示。

图5 精频率补偿算法框图Fig.5 Block diagram of fine frequency compensation algorithm

式中:λn为直接数字合成器(direct digital synthesizer,DDS)的输出,由en和ψn确定:

其中:gp=,Kp为相位误差检测器的增益,由调制方式确定,对于OQPSK 调制方式,Kp=2,Ko为相位恢复增益,其值等于每个符号的样本数,θ=Bn(ζ+),d= 1+2ζθ+θ2,Bn为归一化环路带宽,ζ为阻尼因子;en为相位误差,相位误差计算方法与调制方式有关,对于OQPSK 调制方式:

式中:SamplePerSymbol 为符号采样速率。

ψn为环路滤波器第n个采样点的输出:

式中:gI为积分器增益系数,即

对得到的rFC[s]进行时间同步,对时间同步后的信号进行串并变换,再进行判决就能得到解调后的Chip 序列,记为。

2.2 提取信号导频

IEEE 802.15.4 无线通信协议[15]规定了物理层数据帧结构,因此也应具有如下格式:

式中:crx,Preamble为需要确定的导频部分。

IEEE 802.15.4 无线通信协议[15]规定了导频内容为8 个s0,经过直接序列扩频后,扩频为8 个进行传输,因此,crx,Preamble=

图6 滑动过程Fig.6 Sliding process

图7 算法框架Fig.7 Framework of algorithm

此时提取出来的导频序列并非是原始信号中的导频,而是经过解调后的导频,其中不再包含设备的射频指纹信息。 最终的任务是根据解调后的导频序列定位到原始信号中的导频部分,即式(3)中的xPreamble。 原始信号经过自动增益控制、匹配滤波、粗频率补偿、精频率补偿后只改变了帧的幅值,并未改变帧的长度大小。 经过时间同步后,信号的长度已经发生了改变,为定位原始信号中的导频带来了困难。 为了解决这一问题,采取窗口同步的方法,窗口长度为一个帧的长度,即一次只对一个帧长度的信号进行时间同步。 若当前窗口中的信号同步后未能检测出导频,说明此段信号的起点并非是一个帧的起点,下一步将窗口在原始信号中滑动一个样本点,直到目前帧中成功检测出了导频,下一次则直接滑动一个帧的长度,这样大大降低了算法的运算次数及复杂度,同时也解决了无法定位到原始信号中导频位置的问题。 此时原始信号中的导频即为从当前帧窗口起点开始之后连续的512 个采样点,在提取导频过程中,每次传输1 635 个帧,能够提取出1 635个导频,提取率能够达到100%。

现有的导频提取算法一般分为3 类:①文献[8]中所提出利用绝对值和窗口函数从信号中提取信号的导频序列,将窗口长度设置为导频中样本个数,在信号上滑动窗口,选择具有最大能量的窗口作为信号的导频,该方法只能估计导频大概位置,无法完全区分导频信号与瞬态信号。②文献[9]中提出先估计出瞬态起点,再将瞬态起点后面的信号作为导频信号,然而实际上瞬态起点估计受噪声影响严重,当信号受到噪声干扰时往往难以准确估计出瞬态起点,存在估计误差,因此不能完全准确地找到信号的导频部分。 ③通过肉眼识别的方式提取导频,该方法效率低下,工作量大,且提取精度不高。

图8 给出了本文算法的导频检测结果(浅色部分为原始信号,深色部分为导频部分)。 从图8(a)、(b)可以看出,相较于文献[8]中提出的导频提取算法,本文提出的导频提取算法能够精确地找到信号导频部分的起始位置和结束位置,而且对于连续信号,导频提取率也能达到100%。从图8(c)可以看出,相较于文献[9]中所提出的算法,本文算法抗噪声性能好,在10 m 无线信道传输条件下也能达到100%的导频提取率。

图8 导频检测结果Fig.8 Preamble extraction results

利用本文算法建立了3 种不同传输距离下的导频数据集,并利用简化后的Inception 网络测试其分类效果。

3 Inception 网络

近年来,深度学习在射频指纹识别领域的快速发展证明了基于神经网络的射频指纹识别技术拥有着优于传统机器学习分类方法的识别效果,然而,目前大多数基于深度学习的射频指纹识别方法采用的都是结构单一的卷积神经网络,只考虑了网络深度,没有考虑到网络宽度,卷积核单一,无法从多个尺度上学习信号的指纹特征,因此在分类精度上仍然存在着一定的提升空间。 2014 年,Google 公司首次提出了Inception 网络结构[16],用于ImageNet 大规模图像识别与分类领域,并在该领域取得了非常好的识别效果。 由于Inception网络结构能够增加网络的宽度,同时具备从多种尺度上学习不同特征的能力,本文尝试将Inception 网络结构迁移到射频指纹识别领域。 图9 展示了本文使用的Inception 网络结构。

图9 本文使用的Inception 网络结构Fig.9 Inception network used in this paper

原始的导频序列是512 位的复数序列,对其进行串并变换后恢复成1 024 位的实数序列作为网络输入。 首先,对输入信号进行卷积和池化操作,其目的是从输入信号中提取特征并降低特征的维数,对于射频信号而言,由于信号中所包含的设备指纹特征对信道指纹特征比较敏感,受环境影响比较大,而在不同的池化操作(如平均池化、最大池化、随机池化、全局平均池化)中,平均池化会模糊设备指纹特征与信道指纹特征,不利于设备指纹特征的提取,一般选择最大池化(Maxpool)操作。 最大池化选择池化区域中的最大元素作为输出,保留特征的同时降低了特征图的维数,而且减少了网络中参数和计算量,因此提供了更好的性能。 池化后的信号随后通过激活函数引入非线性,使网络的输出不再是输入的线性表达,因此理论上可以逼近任意函数,在常见的激活函数中,sigmoid 函数和tanh 函数计算量相较于Relu函数要大很多,尤其是对于Inception 这样的深层网络结构,sigmoid 函数在反向传播时易出现梯度消失的情况,从而导致网络无法正常训练。 因此,为了减少计算量,本文选择使用Relu 函数作为网络的激活函数。

初步处理后的结果被输入到Inception 模块,本文网络中共使用了2 个Inception 模块,第2 个Inception 模块的输出作为全连接层(FC)的输入,可以得到10 个标签的最终分类结果。 Inception模块作为Inception 网络最核心的部分,其本身就可以看作为一层小型的卷积网络,其结构如图10所示。

图10 Inception 模块结构Fig.10 Structure of Inception module

Inception 模块共有3 个输出通道,每个通道先进行1 ×1 的卷积操作,降低上一层的输出通道数,从而达到降低网络参数数量的目的。 同时每个通道上都设置了不同尺度的卷积层,如图10 所示,本文使用的Inception 模块共包含了1 ×1、3 ×1和5 ×13 种不同尺度的卷积核,使得每个Inception 模块能够同时从3 种不同的特征尺度上学习信号的指纹特征,而且在输出处能够将不同通道的输出信息组合起来,最大程度避免了由于卷积核大小选择不当导致的网络性能差的问题,增加了网络对不同尺度特征的适应性。 因此,Inception 网络相较于传统卷积神经网络具有更好的分类性能。 值得注意的是,不同通道的输出在进行拼接时要求数据具有相同的长、宽维度,而每个通道的卷积核大小不同会导致输出数据维度不一样,为了避免这种情况发生,需要给每个通道的输入在进行卷积操作前进行padding。 1 ×1 的卷积核不会影响数据维度,因此不需要进行padding,对于5 ×1 卷积核的通道,需要对输入数据上下各padding 2 行,对于3 ×1 卷积核的通道,需要对数据上下各padding 1 行。

网络超参数的选择对于整个网络的最终表现同样至关重要,本文选择训练批次大小(batch_size)、Dropout 率和学习率lr 三种网络超参数。 训练批次大小是指每次训练时在训练集中调用的数据集大小,即导频个数,训练批次大小设置太小会导致训练时间太长,工作站内存利用率不高,因此适当加大训练批次大小有利于提高工作站利用率,加大对相同数据的处理速度,同样的,当训练

批次大小设置过大时也会导致网络收敛到局部最优点,因此合适的批次大小设置十分重要,在最后的实验验证过程中,经过多次尝试,最终发现当训练批次大小设置为32 时本文的数据集在该网络下具有最好的分类性能。 为了防止网络训练发生过拟合,在全连接层前设置了Dropout 率,并且Dropout 率大小设置为最常用的0.5。 Inception 网络的学习率决定了网络权重更新时当前权重受影响的程度,学习率设置太小会导致权重更新慢,学习率过大又会导致跨过最优解,因此,为了避免这2 种情况发生,本文选择动态调整学习率的方式,在训练开始时设置较大的学习率,随着迭代次数增加,网络开始逼近最优解的时候开始逐步减小学习率的大小,学习率设置如下:

式中:epoch 为迭代次数,本文共迭代100 次。

4 实验平台搭建

硬件平台包括11 个ADALM-PLUTO 软件定义无线电设备和1 台工作站,如图11 所示。ADALM-PLUTO 是一款独立自足的便携式射频学习模块,射频频率范围为325 MHz ～3.8 GHz,可调信道带宽为200 kHz ～20 MHz,调制精度小于或等于-40 dB,集成12 位ADC(接收端)和DAC(发送端),含有一个发射器和一个接收器,支持半双工或全双工。 本文使用10 个ADALM-PLUTO 软件定义无线电设备作为发射设备,1 个作为接收设备,基于IEEE 802.15.4 无线通信协议,采用OQPSK 调制方式,发射信号中心频率设置为2.45 GHz,接收机基带采样率为4 MHz,接收增益为0 dB。 工 作 站 配 置 如 下: ①显 卡: 华 硕RTX2080TI-011G-GAMING。 ②主板:华硕PRIME X299 MARK2。 ③CPU: 因 特 尔 酷 睿-i9-9900X,3.5 GHz ×10 核/20 线程。

图11 ADALM-PLUTO 软件定义无线电设备和工作站Fig.11 ADALM-PLUTO software-defined radio equipment and workstation

本文使用的网络框架为PyTorch,编程语言为Python,操作系统为Windows10。

5 实验结果及分析

为了分析信道对射频指纹识别结果的影响及本文使用的Inception 网络结构对信道变化的鲁棒性,共建立了3 种不同传输距离下的导频数据集,分别为同轴线连接条件、1 m 无线传输和10 m无线传输条件,每种距离条件下的数据集均包含10 个 设 备 的 导 频 数 据, 共 16 000 × 10 =160 000 个导频数据。 首先,利用该数据集测试了Inception 网络的分类效果;然后,利用同样的数据集测试了文献[11-12,14]中使用的基于AlexNet网络改进的卷积神经网络,该网络结构是目前射频指纹识别领域最常用的网络结构,也是取得效果最好的一种网络结构,文献[11-12]中所使用的网络共包含2 层卷积层、2 层池化层和1 层全连接层,文献[14]中使用的网络包含6 层卷积层、6 层池化层和1 层全连接层,3 种网络的分类结果如图12 所示。

图12(a)为本文所使用Inception 网络的分类结果,图12(b)为文献[11-12]中使用的2 层卷积神经网络的分类结果,图12(c)为文献[14]中使用的6 层卷积神经网络的分类结果。 从3 种分类结果不难看出,3 种网络结构对于同轴线连接条件下的导频数据集都有很好的分类效果,但是随着传输距离增加,分类精度都有所降低。 这是因为:在无线传输过程中,多径效应和信道噪声的影响会给信号引入信道指纹,因此分类器记住的是信道指纹与设备指纹之和,当传输距离增加时,无线信道条件恶化,信号受信道指纹的影响就会增大,从而模糊设备本身的指纹特征,从而导致了分类精度的下降,同时也能够看到,随着传输距离的增加,Inception 网络分类精度下降的幅度相较于其他2 种网络要小,由此可以说明,Inception 网络对于信道的鲁棒性要强于另外2 种网络。 为了更直观地说明Inception 网络的优势,图13 对比了1 m和10 m 距离下3 种网络的分类结果。

图12 三种网络的分类结果Fig.12 Classification results of three kinds of networks

图13 1 m 和10 m 距离下3 种网络分类结果对比Fig.13 Comparisons of classification results of three networks at 1 m and 10 m

从分类结果可以看出,Inception 网络的分类效果整体上要优于基于AlexNet 改进的卷积神经网络方法,在1m 距离条件下,相较于文献[11-12]中的方法分类精度提高了5%左右,相较于文献[14]中的方法分类精度提高了约1%,在10 m距离条件下,相较于文献[11-12]中的方法分类精度提高了10%左右,相较于文献[14]中的方法分类精度提高了约3%,且Inception 网络即便是在10 m 距离条件下分类精度也仍然高达98.58%。

为了进一步讨论Inception 网络的性能,表2从每秒浮点运算次数(Flops)、网络参数量和网络训练时间3 个方面对比了3 种网络的复杂度。

表2 网络复杂度对比Tabel 2 Network complexity comparison

从表2 可以看出,Iceptincon 网络Flops 相较于其他2 种网络结构都有所减少,同时网络参数量也有所降低,这是因为Inception 网络能通过多次使用1 ×1 卷积核的方式来降低输入数据的通道数,从而达到减少网络参数和复杂度的目的。

总的来说,Inception 网络相较于目前射频指纹识别领域中使用最多的AlexNet 模型,无论是分类精度还是网络复杂度方面,整体性能都有所提升。

6 结 论

1) 本文基于IEEE 802.15.4 无线通信协议提出的导频提取算法,在一定程度上解决了现有基于信号导频的射频指纹识别技术不能精确提取出信号导频的问题,在不同的距离条件和噪声干扰程度下,导频识别和提取率均能达到100%。建立了3 种不同距离条件下的导频数据集用于射频指纹识别技术的研究。

2) 本文采用深度学习的方法对信号导频数据集进行分类,将Inception 网络用于射频指纹识别领域,与目前射频指纹识别领域最常用的Alex-Net 网络结构相比,分类精度有所提升,在10 m距离下分类精度仍能达到98.58%。