专利名称：一种认知无线电中对抗模仿主用户攻击的方法
技术领域：
认知无线电中一种对抗模仿主用户攻击的方法，属于无线通信技术领域，特别涉 及认知无线电系统中信号的感知和处理，以及对信号源身份的识别。
背景技术：
认知无线电网络作为一种智能无线通信系统，它能够感知、学习周围环境，调整 自己的通信参数来适应周围的环境变化。认知用户在不影响授权用户正常通信的基础 上，以"机会方式"动态利用空闲的授权频段，可以很好的解决目前频谱资源短缺的 问题。
认知用户具有在大多数频带的各个频率上进行传输的能力，能够使用同一网络中 多通信信道，这使得它比传统无线网络的物理层更加复杂，也面临着更多的攻击。其 中针对动态频谱接入的主要是模仿主用户和伪造频谱感知数据攻击。认知网络中模仿 主用户攻击会严重影响频谱感知过程，并会明显减少合法认识用户的可用信道资源。 为了避免因频谱感知错误而对主用户产生干扰或者使认知用户错失接入机会，认知用 户必须有识别主用户身份的能力从而对抗模仿主用户攻击。即频谱感知的主要技术挑 战之一就是如何准确的区分主用户信号和认知用户信号。
目前检测主用户传输的方法主要有非合作检测、合作检测和干扰检测。其中非合 作检测(也称发射源检测)包含基于能量检测(Energy Detection)或者基于信号特 征检测(waveform-based sensing)。其中基于信号特征检测技术使用滤波器匹配检测 (Matched Filter Detection)或者周期平稳过程检测(Cyclostationary Feature Detection)技 术实现对信号本质特征的识别。能量检测属于盲检测，对检测信号无需任何先验知识。 但它只能探测到有信号出现，不能够区分信号的类型，即它不能区分已调信号噪声及 干扰。当感知过程很容易受到自私的或是恶意的认知用户的入侵时，将不能识别主用 户身份。目前一种改进的方案是引入"静默期"，其前提是所有认知用户都是合作的， 如果存在恶意认知用户此方案将完全崩溃。匹配滤波检测和周期平稳过程检测能检测 出信号的本质特征，识别信号源身份，但需要对认知用户信号具有先验知识而且针对 不同的主用户匹配滤波检测要有单独的匹配滤波器。此外将特征检测与谱分析结合， 并结合基于神经网络的模式识别可以提高检测的性能和效率。针对无线传输中多径衰落和阴影效应的影响，尤其是克服阴影衰落引起的"隐藏 终端"问题，引入合作检测技术，其结构可以是集中式的，也可以是分散式的。引入 合作分集技术的的合作检测能够产生更准确的感知性能，但对于资源受限的网络会产 生负面影响，而且它是假设主用户位置已知情况下进行研究的。对于主用户位置未知 的情况提出"本振泄露"检测，利用检测的本振泄露功率来定位主用户，同时可以利 用CR间的合作来提高弱信号的检测概率。考虑由认知用户对主用户系统的干扰，FCC 提出干扰测量模型——干扰温度检测模型主要是考虑限制对主用户信号的干扰。
对于使用TV频段的认知无线电网络，由于主用户是TV电视塔，因此可利用发 送者的位置和信号功率水平来区分主用户信号和认知用户信号。通过联合使用发送者 的位置信息和接收信号的功率水平可确定发送者的身份。目前针对问题难点如何准确 获得发送者位置信息有两种技术距离比校验和距离差校验(Distance Ratio Test (DRT) and Distance Difference Test (DDT))。前者根据位置确认者接收的信号源的强度来确定 发送者位置，其使用范围是大尺度衰落模型，且要对主用户位置有先验知识；后者利 用同一信号经过不同路径(距离)到达位置确认者产生的相关相位差来确定发送者的 位置。针对主用为发送功率更小的移动终端时，目前一种有效的对抗模仿主用户攻击 的方案是利用"Radio Environment Map" (REM)的概念，REM是一个包含主用户设备 位置和活动信息的数据库，可以利用这些信息来识别主用户，其具体实行方案还需进 一步进行研究。
发明内容
本发明的目的是提供一种认识无线电中对各种网络类型通用能够识别用户身份，
同时有效对抗模仿主用户攻击的方法——利用信号"瞬态指纹特征"识别用户身份的 方法。所谓瞬态信号是指电台上电瞬间产生的未经调制的饱含电台细微特征的非平稳
信号。本发明通过利用小波变换分析电台的瞬态信号，然后结合模式识别技术来判断
信号发送者的身份。利用本发明可以在各种形式的认知无线电网络中实现对信号发送
者身份的判别，从而即时地为出现的主用户空出频段同时有效的对抗模仿主用户的攻击。
本发明技术方案
认知无线电网络中一种对抗模仿主用户攻击的方法，由以下几个步骤组成 步骤1:对频谱感知过程接收到的混合信号进行降噪处理。
考虑一个认知无线电系统由M个主用户和N个认识用户组成，每个认知用户都能独立进行频谱感知，在同一时刻某一认知用户感知到的混合信号包含主用户信号和 非主用户信号数目暂定为q (由于主用户出现的不确定性q是一个随机数)。只考虑信 号中的白噪声，利用小波分析的软阈值方法对混合信号进行降噪，能够很好的保留原使 信号的特征尖峰点，而且计算速度快。由于小波的波形对信号消噪效果有重要的参考 价值，因此在小波的选取上要根据原始混合信号波形选定合适的小波，从而达到好的 消噪效果。
步骤2:对混合信号中信源的数目进行估计。
正确估计信源数目是后续分析与处理的基础，对混合信号中含有多少个电台的信 号进行估计，其估计的准确性直接影响后续分析与处理。考虑认知用户接收到的混 合信号中的各信号是不相关的，噪声为高斯白噪声(AWGN)，噪声与信号独立且噪 声功率未知。在此采用基于信息论的方法(MDL准则和AIC准则)来估计信源数目。
设天线有p个阵元，接收来自q个信源的信号s,(f) (i=l，2...，q)。信号各态历经平稳 复高斯随机过程。N个快拍X(t)为
;c(/) = t丰,k(0 + "(0 (1)
其中A(f)为t时刻第i个信号，pxl复矢量^(0。是第i个信号到各个阵元的入射
角度。户xl复矢量n(t)代表t时刻的加性白噪声，是各态历经平稳的复高斯随机过程，
均值为零，协方差为—/(>2未知，I为单位阵)。信号与噪声相互独立。要求从N样 本中估计信号源的数目q。
考虑X-(;c(l)，A ,x(A^是独立同分布的情况，其中每个值都是零均值复高斯随机
矢量。各协方差矩阵i W=^(k)+c72/
其中^(k)代表秩为ke》，l，八，p-ll的半正定矩阵，^代表未知的噪声功率。
^ = j&4"， Z表示A的服共轭，S代表信号的协方差矩阵，有5 = ^0(〕1。 A
为户x《的矩阵^-K00a^0』，假设a是满秩的，s是非奇异的，则甲的秩
为q，说明甲的p-q个最小特征值为零。R的特征值表示为;i!2A》八》；tp，其最小
的p-q个特征值等于(T2 。 AIC准则为<formula>formula see original document page 8</formula>MDL准则为:
(2)
<formula>formula see original document page 8</formula>(3)
信源数目等于使得AIC或MDL准则最小的k值，ke{0，l，A， p-l}。
步骤3:采用Capon波束形成器重构各个信号，将不同电台的信号分离。 波束形成分为两类经典的波束形成在事先知道期望信源波达方向的条件下迸行 信源恢复；盲波束形成则要求在未知期望信源波达方向的情况下进行信源的恢复。采 用Capon波束形成器恢复源信号时，假定某一信号源的方向为期望方向，其他信号源 的方向为干扰方向。计算出该方向的最佳权向量，并最终恢复出该方向的源信号。
恢复信号输出<formula>formula see original document page 8</formula>(4)
其中w-[,K, W/Wf为权向量，x(n)为各阵元接收信号向量。采用不同的权向量
上式对不同方向电波有不同的响应，从而形成不同方向的空间波束。 步骤4:将各电台的信号进行聚焦分离瞬态信号和调制信号。 利用小波变换找出瞬态信号和调制信号之间的奇异点从而将两者分离。Lipschitz 指数可以用来描述信号的奇异性，度量信号在一点的正则性或在一个时间段的一致正 则性。通常情况下，信号奇异性分两种情况信号在某时刻发生突变，使得信号波形 不连续，该点Lipschitz指数"=0;信号波形连续，幅值没有突变，但信号的一阶微 分在某点是不连续的，该点Lipsehitz指数0〈a〈1。函数在某点连续、可微，则在该 点的Lipschitz指数a为1。瞬态信号的Lipschitz指数0<"<1;调制信号是连续平滑 的，其Lipschitz指数a 21。因此可以通过计算出奇异点的Lipschitz指数来分离瞬态 信号和调制信号。
如果函数f在V点的某邻域内是一致LipSChitZ a的且《>!11，则f在该邻域内一定是m次连续可微的。Lipschitz指数"越大，函数越光滑。利用小波则能给出函数在 一个区间内甚至一点的正则性。在此，所使用的小波必须具有相应阶数的消失矩。 函数的泰勒展开形式= (KX,^辟-v|")。 Pv是m次多项
式，m = l_"」<"。进行小波变换，具有n阶矩的小波屮W与小于或等于n-l阶的多项 式正交，贝'h
盯(M，=昨 (W， J) +『￡v (W，》=『￡"v (W， ( 5 )
Sy(t)是衡量Lipschitz的量。因此，可以通过IW/(w,d来逼近Lipschitz a。 log2|W(M,s)^log2^ + (a + l/2)log2s 其中A为大于零的常数。 (6)
点v的Lipschitz正则性等于Iog2l^(",^作为Iogj的函数沿着收敛于v的极大
曲线的最大斜率减去1/2，从而求出信号的Lipschitz指数。
步骤5:利用小波变换对瞬态信号进行分析，提取特征参数。 将分离得到的瞬态信号进行小波分析，得到小波系数，从中选取一定比例的小波
系数作为特征向量，得出特征向量矩阵。连续小波变换(CWT)为
TT J柳
U (7)
其中甲(,)为母小波。a， b分别称为尺度因子和位移因子。 离散小波变换(DWT)为
A, =I>WlV"W (8)
其中1, (0 = "0—1/2L""。—" —"0。通常选"0=2， 6。=1。 步骤6:实现对信号源身份的识别。
认知无线电网络的结构可分为集中式和分布式，在集中式网络构架中假设认知用 户端设备(CPE)能够从管理基站(BS)获得主用户的信号特征，即认知用户端设备 对主用户信号有先验知识，此时采用模板匹配法将步骤5提取信号特征参数与预存模 板进行匹配来识别信号源的身份。在分布式网络构架中，认知用户之间是自组织的独 立终端，没有向它们提供主用户信号特征的基站，即认知用户终端对主用户信号没有 先验知识，此时需要采用分割聚类算法实现瞬态信号的盲识别，在提取特征参数之后 要进行类数目估计、确定初始化中心然后进行分类识别。本发明的核心创新是引入"瞬态信号指纹"概念，在此基础上将小波变换和模式 识别两种技术相结合，从而达到对抗模仿主用户攻击的目的。具体思想是认知用户 通过感知周围点无线电环境，对接收到的信号利用小波变换进行降噪、分离、提取瞬 态信号特征参数，然后根据不同的网络模型对信号源进行识别，第一类(有基站)采 用模板匹配法识别主用户，第二类(无基站)采用综合聚类进行盲识别。
本发明的有益效果
1、 采用本发明方法实现的信号源身份识别可以识别任何用户的身份，克服了基于 能量检测不能准确识别信号源身份以及受到对主用户先验知识的限制，弓l入"瞬态信 号指纹"概念，通过识别瞬态信号能够即时为可能出现的主用户腾出频段，避免对主 用户正常通信的干扰。而且此方法对于集中式和分布式认知无线电网络均能适用，对 于非合作式和合作式频谱感知也都适用，只是在认知用户进行合作式频谱感知时识别 的精准度会更高。
2、 采用本发明方法不改变现有的发射机的工作模式，不用在发射信号内增加额 外的内容，不给主用户增加负担，符合FCC对认知无线电中认知用户的要求。此方法 对主用户的先验知识没有既定要求，认知用户只需要知道主用户瞬态信号的特征即 可。对于主用户的传输模式，编码方式没有要求，不影响主用户的通信信号，适用范 围较广。
3、 采用本发明方法的实现信号源身份识别既可以避免对主用户正常通信的干扰 又可以有效对抗模仿主用户攻击，而且此方法可以结合目前已有的技术从而使识别的 精准度更高。可以有效的识别出主用户信号，有效的降低模拟主用户攻击的威胁。
图1是本发明方法的整体实现流程图。
图中给出了从接收混合信号到对信号进行预处理最后到实现对信号源身份的判别。
图2是集中式认知网络中部分流程图。
图中从得到瞬态信号之后部分给出了集中式网络结构中对主用户有先验知识的 情况下的识别流程。
图3是分布式认知网络中部分流程图。
图中从得到瞬态信号之后部分给出了分布式网络结构中对主用户无先验知识的 情况下的识别流程。
具体实施例方式
本发明的对抗模仿主用户攻击的实现，如附图1所示，考虑一个认知无线电系统 由M个主用户和N个认识用户组成，每个认知用户都能独立进行频谱感知，考虑认 知用户终端都能够连续的感知周围的无线电环境，能够接收到各电台上电瞬间产生的 瞬态信号。认知用户采用阵元数为p的阵列天线，在某一时刻某一认知用户感知到的 混合信号包含主用户信号和非主用户信号数目暂定为q (由于主用户出现的不确定性 q是一个随机数)。本发明实现的信号源身份识别方法分以下几个步骤
步骤1:对频谱感知过程接收到的混合信号进行降噪处理。
只考虑信号中的白噪声，利用小波分析的软阈值方法对混合信号进行降噪,能够很 好的保留原使信号的特征尖峰点，而且计算速度快。由于小波的波形对信号消噪效果 有重要的参考价值，因此在小波的选取上要根据原始混合信号波形选定小波，从而达 到好的消噪效果。
步骤2:对混合信号中信源的数目进行估计。
正确估计信源数目是后续分析与处理的基础，对混合信号中含有多少个电台的信 号进行估计，其估计的准确性直接影响后续分析与处理。考虑认知用户接收到的混 合信号中的各信号是不相关的，噪声为高斯白噪声(AWGN)，噪声与信号独立且噪 声功率未知。在此采用基于信息论的方法(MDL准则和AIC准则)来估计信源数目。
设天线有p个阵元，接收来自q个信源的信号A(O (i=l,2...，q)。信号各态历经平稳 复高斯随机过程。N个快拍X(t)为
其中&(0为t时刻第i个信号，户><1复矢量^<<^;)是第i个信号到各个阵元的入射
角度。； xl复矢量n(t)代表t时刻的加性白噪声，是各态历经平稳的复高斯随机过程，
均值为零，协方差为^72/((72未知，I为单位阵)。信号与噪声相互独立。要求从N样 本中估计信号源的数目q。
考虑义-^(l),A ,x(A^是独立同分布的情况，其中每个值都是零均值复高斯随机
矢量。各协方差矩阵<formula>formula see original document page 11</formula>
其中^("代表秩为kefO，l，A， p-l)的半正定矩阵， 一代表未知的噪声功率。^^4&4H， f表示A的服共轭，s代表信号的协方差矩阵，有5^4K.M.rj。 A 为px《的矩阵^4-K^)a4I)J,假设a是满秩的，s是非奇异的，则t的秩 为q，说明甲的p-q个最小特征值为零。R的特征值表示为A^;i2 2A 2人，其最小
的p-q个特征值等于C72 。 AIC准则为
J/C(&)=-2 log
MDL准则为:
p 1/
n /,/(") =4+i
十2A:(2/ -A0
層刷一log
n /,/(")
信源数目等于使得AIC或MDL准则最小的k值，ke(0，l，A， p-l}。
步骤3:采用Capon波束形成器重构各个信号，将不同电台的信号分离。 波束形成分为两类经典的波束形成在预先知道期望信源波达方向的条件下进行 信源恢复；盲波束形成则要求在未知期望信源波达方向的情况下进行信源的恢复。采 用Capon波束形成器恢复源信号时，假定某一信号源的方向为期望方向，其他信号源 的方向为干扰方向。计算出该方向的最佳权向量，并最终恢复出该方向的源信号。
<formula>formula see original document page 12</formula>
恢复信号输出少("hH^;c(")-SvOcJ")
其中M^h，K, wM]T为权向量，x(n)为各阵元接收信号向量。采用不同的权向量
上式对不同方向电波有不同的响应，从而形成不同方向的空间波束。 步骤4:将各电台的信号进行聚焦分离瞬态信号和调制信号。 利用小波变换找出瞬态信号和调制信号之间的奇异点来将两者分离。依据瞬态信
号的Lipschitz指数(Xa〈l;调制信号是连续平滑的，其Lipschitz指数"2l;通过
计算出奇异点的Lipschitz指数来分离瞬态信号和调制信号。
利用具有m阶消失矩的小波给出在v点一邻域内m次连续可微的函数f的在v点的正则性。其中函数的泰勒展开形式为/(0 = A(0 + (f) (Is力^辟-v广)。 Pv是m次多项式，w = L"」<"。进行小波变换，具有n阶矩的小波T0与小于或等 于n-l阶的多项式正交，贝lj:
= ,v (W,+『fv (M，》=『fv (M， >S)
可以通过IW/(M，d来逼近Lipschitz a 。
1og」町(w,力l S log2 J + (a + l/2)log2 s 其中A为大于零的常数。
点v的Lipschitz正则性等于log2l町 ，^作为logj的函数沿着收敛于v的极大
曲线的最大斜率减去1/2，从而求出信号的Lipschitz指数的近似值IW/("，^ 。
步骤5:利用小波变换对瞬态信号进行分析，提取特征参数。 将分离得到的瞬态信号进行小波分析，得到小波系数，从中选取一定比例的小波 系数(如最大值和标准差等)作为特征向量，得出特征向量矩阵。连续小波变换(CWT)
其中 K "("X)。通常选"0=2， 6。=1。 步骤6:实现对信号源进行身份识别。
认知无线电网络的结构可分为集中式和分布式，如附图2所示，在集中式网络构 架中假设认知用户端设备(CPE)能够从管理基站(BS)获得主用户的信号特征，即 认知用户端设备对主用户信号有先验知识，此时采用模板匹配法将步骤5提取信号特 征参数与预存模板进行匹配来识别信号源的身份。如附图3所示，在分布式网络构架 中，认知用户之间是自组织的独立终端，没有向它们提供主用户信号特征的基站，即 认知用户终端对主用户信号没有先验知识，此时需要采用采用分割聚类算法实现瞬态 信号的盲识别，在提取特征参数之后要进行类数目估计、确定初始化中心然后进行分
其中vp(0为母小波。a， b分别称为尺度因子和位移因子。
离散小波变换(DWT)为:类识别。
通过以上步骤，就可以实现认知无线电系统中对信号源身份的识别，即实现对抗 模仿主用户攻击。
权利要求
1、一种认知无线电中对抗模仿主用户攻击的方法，假设一个认知无线电系统由M个主用户和N个认识用户组成，频谱感知过程接收的混合信号数目为随机数q，其特征在于，由以下几个步骤实现步骤1对频谱感知过程接收到的混合信号进行降噪处理只考虑信号中的白噪声，利用小波分析的软阈值方法对混合信号进行降噪，在小波的选取上根据原始混合信号波形选定小波，达到消噪效果；步骤2对混合信号中信源的数目进行估计设天线有p个阵元，接收来自q个信源的信号si(t)(i＝1，2...，q)，信号各态历经平稳复高斯随机过程，N个快拍X(t)为其中si(t)为t时刻第i个信号，p×1复矢量A(Φi)是第i个信号到各个阵元的入射角度；p×1复矢量n(t)代表t时刻的加性白噪声，是各态历经平稳的复高斯随机过程，均值为零，协方差为σ2I(σ2未知，I为单位阵)，信号与噪声相互独立，要求从N样本中估计信号源的数目q，考虑X＝{x(1)，Λ，x(N)}是独立同分布的情况，其中每个值都是零均值复高斯随机矢量，各协方差矩阵R(k)＝Ψ(k)+σ2I其中Ψ(k)代表秩为k∈{0，1，A，p-1}的半正定矩阵，σ2代表未知的噪声功率；Ψ＝ASAH，AH表示A的服共轭，S代表信号的协方差矩阵，有A为p×q的矩阵假设A是满秩的，S是非奇异的，则Ψ的秩为q，说明Ψ的p-q个最小特征值为零，R的特征值表示为λ1≥λ2≥Λ≥λP，其最小的p-q个特征值等于σ2，AIC准则为MDL准则为信源数目等于使得AIC或MDL准则最小的k值，k∈{0，1，Λ，p-1}；步骤3采用Capon波束形成器重构各个信号，将不同电台的信号分离其中w＝[w1，K，wM]T为权向量，x(n)为各阵元接收信号向量，采用不同的权向量上式对不同方向电波有不同的响应，形成不同方向的空间波束；步骤4将各电台的信号进行聚焦分离瞬态信号和调制信号利用小波变换找出瞬态信号和调制信号之间的奇异点从而将两者分离，因为Lipschitz指数可以用来描述信号的奇异性(奇异性可以度量信号在一点的正则性或在一个时间段的一致正则性)——瞬态信号的Lipschitz指数0<α<1，调制信号是连续平滑的，其Lipschitz指数α≥1；于是通过计算出奇异点的Lipschitz指数来分离瞬态信号和调制信号；函数的泰勒展开形式f(t)＝pv(t)+εv(t)(|εv(t)|≤K|t-v|α)，pv是m次多项式，进行小波变换，具有n阶矩的小波Ψ(t)与小于或等于n-1阶的多项式正交，则Wf(u，s)＝Wpv(u，s)+Wεv(u，s)＝Wεv(u，s)通过|Wf(u，s)|来逼近Lipschitz α，log2|Wf(u，s)|≤log2 A+(α+1/2)log2 s，其中A为大于零的常数，点v的Lipschitz正则性等log2|Wf(u，s)|作为log2 s的函数沿着收敛于v的极大曲线的最大斜率减去1/2，求出信号的Lipschitz指数；步骤5利用小波变换对瞬态信号进行分析，提取特征参数将分离得到的瞬态信号进行小波分析，得到小波系数，从中选取一定比例的小波系数作为特征向量，得出特征向量矩阵，连续小波变换(CWT)为其中Ψ(t)为母小波，a，b分别称为尺度因子和位移因子，离散小波变换(DWT)为其中通常选a0＝2，b0＝1；步骤6实现对信号源进行身份识别认知无线电网络的结构分为集中式和分布式，在集中式网络构架中认知用户端设备(CPE)能够从管理基站(BS)获得主用户的信号特征，此时采用模板匹配法将步骤5提取信号特征参数与预存模板进行匹配来识别信号源的身份，在分布式网络构架中，认知用户之间是自组织的独立终端，没有向它们提供主用户信号特征的基站，此时采用分割聚类算法实现瞬态信号的盲识别，在提取特征参数之后进行类数目估计、确定初始化中心然后进行分类识别。
全文摘要
一种认知无线电中对抗模仿主用户攻击的方法，属于无线通信技术领域，特别涉及认知无线电系统中信号的感知和处理，以及对信号源身份的识别。包括对频谱感知过程接收到的混合信号进行降噪处理、对混合信号中信源的数目进行估计、采用Capon波束形成器重构各个信号，将不同电台的信号分离、将各电台的信号进行聚焦分离瞬态信号和调制信号、利用小波变换对瞬态信号进行分析，提取特征参数、实现对信号源身份的识别等步骤。本发明提出的对抗模仿主用户攻击的方法实现了对信号源身份的有效识别，能够有效地对抗模仿主用户攻击，而且其适用范围较广，不改变现有主用户网络的工作模式，符合FCC对认知网络的使用要求。
文档编号H04W76/02GK101420758SQ20081022743
公开日2009年4月29日 申请日期2008年11月26日 优先权日2008年11月26日
发明者周贤伟, 丹 李, 杜利平, 桢 杨, 超 王, 王建萍 申请人:北京科技大学