本发明涉及无线通信领域,具体是一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法。
背景技术:
在无线通信系统中,由无线网络的开放性带来的安全问题不容忽视。
传统的方法主要基于密码机制的安全协议来实现对数据完整性和机密性的保护,以及提供通信双方身份的认证。但是这样的认证信息很容易被恶意用户通过软件仿造,存在着潜在的威胁。考虑到即使是同一厂家生产的同一型号的不同设备,在制造过程中,由于氧化层厚度、掺杂浓度等不同会形成个体差异,而这些个体差异也会在通信信号中有所体现。
无线通信的射频指纹提取和识别技术就是通过分析无线设备的通信信号来提取设备的“射频指纹”,从而进行设备识别。设备识别准确率很大程度上取决于指纹特征的选择,因此需要研究包含在通信信号中的设备指纹特征,以提高设备识别准确率。
现有的射频指纹识别技术中存在低信噪比情况下,设备的识别准确率不高的问题;比如围线积分双谱中矩形积分双谱、圆周积分双谱和轴线积分双谱等,虽然具有高阶谱抑制高斯噪声、保留信号幅度和相位信息的特征,同时处理的方法比较简便而得到广泛应用。但是,围线积分双谱通过选择不同的围线积分路线将二维双谱矩阵转化为一维矩阵的过程中,忽略了很多双谱矩阵固有的特征,导致在低信噪比下识别准确率并不理想。
技术实现要素:
本发明针对现有的射频指纹识别技术中,存在的低信噪比条件下识别准确率不高的问题,提出了一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法;
具体步骤如下:
步骤一、针对ofdm系统发送端的某个比特流信号,采用qpsk映射得到qpsk信号s(n);
n=0,1,2…n-1,n为qpsk信号s(n)的长度;
步骤二、将qpsk信号s(n)经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号φ(n);
调频信号p(n)计算如下:
p(n)=s(n)ej2πnft
其中f为发送端的载波频率,
功率放大器采用泰勒多项式模型,功率放大器输出信号为:
ls为泰勒多项式的阶数,{al}为多项式系数。
步骤三、将输出信号φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入高斯白噪声,接收端经过模数转换处理后得到数字信号r(n);
r(n)=φ(n)+υ(n)
υ(n)为高斯白噪声;
步骤四、将数字信号r(n)经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
射频的指纹特征包括:双谱能量熵,一阶矩和二阶矩。
具体包括:
步骤401、将数字信号r(n)经过下变频后得到基带信号y(n);
y(n)=r(n)e-j2πnft
步骤402、计算基带信号y(n)的三阶累积量c3y(τ1,τ2),并利用三阶累积量求出信号双谱b(ω1,ω2);
三阶累积量计算如下:
c3y(τ1,τ2)=e{y*(n)y(n+τ1)y(n+τ2)}
*代表复共轭,τ1,τ2≥0代表时间的差值。
对三阶累积量c3y(τ1,τ2)进行二维离散傅里叶变换得到基带信号双谱b(ω1,ω2):
ω1,ω2∈(-π,π]代表数字角频率,分辨率为
步骤403、利用基带信号双谱b(ω1,ω2)求出射频指纹特征——双谱能量熵;
首先,利用基带信号双谱b(ω1,ω2)计算双谱能量矩阵e中点(i,j)的双谱能量值eij;
计算如下:
其中i,j=1,2…nfft。
然后,计算双谱能量矩阵e中各点能量之和,并计算点(i,j)的能量在总能量中的占比pij;
双谱能量矩阵e中各点能量之和为:
占比pij表示为:
最后,利用每个点的能量在总能量中的占比pij计算双谱能量熵en;
如下:
步骤404、将双谱矩阵b转化为ζ-bit灰度图像矩阵g;
步骤405、分别求出灰度图像矩阵g的一阶矩μ和二阶矩ξ;
其中nb=nfft×nfft代表灰度图像矩阵g中点的总数。
步骤五、通过svm分类器对射频指纹特征进行分类训练和测试,得到测试类别结果。
具体为:
步骤501、将发送端提取所有比特流的射频指纹特征组成特征向量[en,μ,ξ],划分成样本特征向量集合d和测试特征向量集合d′。
步骤502、用样本特征向量集合d中的特征向量训练svm分类器;
步骤503、将测试特征向量集合d中的特征向量输入到训练好的svm分类器中,得到测试类别结果。
步骤六、将测试类别结果与其实际类别结果做对比,得到分类准确率pc。
本发明的优点在于:
1)、一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法,通过svm分类器能够对射频信号进行有效分类。
2)、一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法,在低信噪情况下的识别准确率相较于传统的围线积分双谱特征提升了近20%。
附图说明
图1是本发明基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法信号发送和接收示意图;
图2是本发明基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法的原理图;
图3是本发明基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法的流程图;
图4是本发明实施例中选取10db的snr时,3种设备的射频指纹特征在特征空间的投影图;
图5是本发明实施例中分类准确度与snr的关系比较图。
具体实施例
下面结合附图对本发明的具体实施方法进行详细说明。
一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别技术(aradiofrequencyfingerprintingidentificationmethodbasedonbispectrumenergyentropyandcolormomentsofqpskmodulationsignal),结合双谱能量熵,以及双谱矩阵转化为二维灰度数字图像后得到图像一阶矩和二阶矩,组成3维指纹特征进行设备识别,应用于qpsk调制信号的射频指纹识别技术,有效的提高了低信噪比下射频设备的识别准确率,从而保证通信安全。
如图1所示,信号从发送端到接收端的处理流程为:
发送端的某个比特流信号,采用qpsk映射得到qpsk信号s(n);经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号φ(n);功率放大器是发送端最末端的一个元件,其非线性特征也是发送设备的主要标识特征;本发明从不同功率放大器的非线性特征的差异在接收端接收的信号中的不同体现入手,选择和提取射频指纹特征,进行设备识别。通过将输出信号φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入awgn,接收端经过模数转换处理后得到数字信号r(n),经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
然后,通过svm分类器对射频指纹特征进行分类训练和测试,得到测试类别结果。具体过程如图2所示,通过将测试类别结果与其实际类别结果做对比,得到分类准确率pc。
如图3所,具体步骤如下:
步骤一、针对ofdm系统发送端的某个比特流信号,采用qpsk映射得到qpsk信号s(n);
n=0,1,2…n-1,n为qpsk信号s(n)的长度;
步骤二、将qpsk信号s(n)经过上变频后,得到调频信号p(n),并输入到功率放大器中,输出信号φ(n);
调频信号p(n)计算如下:
p(n)=s(n)ej2πnft
其中f为发送端的载波频率,
功率放大器采用泰勒多项式模型,功率放大器输出信号为:
ls为泰勒多项式的阶数,{al}为多项式系数。
步骤三、将输出信号φ(n)经过数模转换处理后得到模拟信号,将模拟信号发送出来并在发送过程中加入高斯白噪声,接收端经过模数转换处理后得到数字信号r(n);
r(n)=φ(n)+υ(n)
υ(n)为高斯白噪声;
步骤四、将数字信号r(n)经过下变频后得到基带信号,从基带信号中提取射频指纹特征;
射频的指纹特征包括:双谱能量熵,一阶矩和二阶矩。
具体包括:
步骤401、将数字信号r(n)经过下变频后得到基带信号y(n);
y(n)=r(n)e-j2πnft
步骤402、计算基带信号y(n)的三阶累积量c3y(τ1,τ2),并利用三阶累积量求出信号双谱b(ω1,ω2);
三阶累积量计算如下:
c3y(τ1,τ2)=e{y*(n)y(n+τ1)y(n+τ2)}
*代表复共轭,τ1,τ2≥0代表时间的差值。
对三阶累积量c3y(τ1,τ2)进行二维离散傅里叶变换得到基带信号双谱b(ω1,ω2):
ω1,ω2∈(-π,π]代表数字角频率,分辨率为
步骤403、利用基带信号双谱b(ω1,ω2)求出射频指纹特征——双谱能量熵;
首先,双谱b(ω1,ω2)的能量矩阵用e表示,利用基带信号双谱b(ω1,ω2)计算双谱能量矩阵e中点(i,j)的双谱能量值eij;
双谱的;
计算如下:
其中i,j=1,2…nfft。
然后,计算双谱能量矩阵e中各点能量之和,并计算点(i,j)的能量在总能量中的占比pij;
矩阵e中各点能量之和e为:
占比pij表示为:
最后,利用每个点的能量在总能量中的占比pij计算双谱能量熵en;
为了衡量双谱的分布均匀程度,本发明采用能量熵来表示双谱能量的分布情况。如果能量在二维平面均匀分布,那么其能量熵值最大。反之,若能量主要集中在某些区域内,那么其能量熵值较小。
如下:
步骤404、将双谱矩阵b转化为ζ-bit灰度图像矩阵g;
双谱可以看作一个包含了灰度强度信息的二维灰度数字图像,以ζ-bit灰度图像为例,通过下式将双谱矩阵转化为灰度图像矩阵:
步骤405、分别求出灰度图像矩阵g的一阶矩μ和二阶矩ξ;
本发明通过提取灰度图像的一阶和二阶颜色矩来描述两个图像灰度强度信息分布情况,一阶矩μ衡量灰度图像的平均强度,二阶矩ξ代表图像灰度强度的标准偏差。
其中nb=nfft×nfft代表灰度图像矩阵g中点的总数。
步骤五、通过svm分类器对射频指纹特征进行分类训练和测试,得到测试类别结果。
具体为:
步骤501、将发送端提取所有比特流的射频指纹特征组成特征向量[en,μ,ξ],划分成样本特征向量集合d和测试特征向量集合d′。
步骤502、用样本特征向量集合d中的特征向量训练svm分类器;
步骤503、将测试特征向量集合d中的特征向量输入到训练好的svm分类器中,得到测试类别结果。
步骤六、将测试类别结果与其实际类别结果做对比,得到分类准确率pc。
本发明将双谱的能量熵和颜色矩结合作为设备的射频指纹特征[en,μ,ξ]。功率放大器泰勒多项式模型中泰勒多项式阶数ls=3,并取三组{al}作为3种设备功率放大器模型多项式系数。如图4所示,在信噪比snr=10db时,3种设备的射频指纹特征在特征空间的投影图中可知,该射频指纹特征能够较好地对不同设备进行区分。
在提取信号双谱能量熵和颜色矩的基础上,应用svm分类器实现设备识别,在不同snr下通过训练和检测设备,其识别情况如图5所示,由图可以发现在低信噪比下,设备正确识别率pc可以达到超过80%,并随着snr的增加,pc不断上升,在20db时达到超过95%的正确识别率。