基于ACGAN-GP的小样本无线设备RF指纹识别方法及装置与流程

基于acgan-gp的小样本无线设备rf指纹识别方法及装置
技术领域
[0001]
本发明涉及无线通信技术领域，特别涉及一种基于acgan-gp的小样本无线设备rf指纹识别方法、一种计算机可读存储介质、一种计算机设备以及一种基于acgan-gp的小样本无线设备rf指纹识别装置。


背景技术：

[0002]
无线通讯及物联网产业的不断发展，wi-fi在我们的生活中无处不在。它给我们的生活带来便利的同时，也带来了一系列的安全风险。5g技术的成熟化催生了万物互联时代，大量产品以物联网的形式智能融入我们的生活，智慧家居、智慧城市、智慧医疗等逐渐从概念趋于落地应用，基于此，用户的隐私信息也通过无线网络在设备与设备间进行互通。黑客可通过连接空间上开放的无线网络从而进一步获得其他设备控制权，窃取用户的个人数据等隐私信息。因此，有效的wi-fi安全认证已经成为了一个重要话题。
[0003]
相关技术中，多采用基于稳态谱特征的判别分类器、利用解调数据样本相位属性的差异作为射频指纹特征进行设备识别；然而，这些方法均需要人工进行指纹特征的提取，流程繁琐，并且，人工在提取指纹特征之前需要对现有信号的类型和特征进行深入的了解。


技术实现要素：

[0004]
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于acgan-gp的小样本无线设备rf指纹识别方法，能够对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0005]
本发明的第二个目的在于提出一种计算机可读存储介质。
[0006]
本发明的第三个目的在于提出一种计算机设备。
[0007]
本发明的第四个目的在于提出一种基于acgan-gp的小样本无线设备rf指纹识别装置。
[0008]
为达到上述目的，本发明第一方面实施例提出了一种基于acgan-gp的小样本无线设备rf指纹识别方法，包括以下步骤：获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别。
[0009]
根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法，首先，获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；接着，根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；然后，获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别；从而实现对无线设备
rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0010]
另外，根据本发明上述实施例提出的基于acgan-gp的小样本无线设备rf指纹识别方法还可以具有如下附加的技术特征：
[0011]
可选地，对所述射频信号进行预处理，包括：根据相位法确定所述射频信号的起点，并提取所述射频信号的包络信息，以及采用主成分分析法降低所述射频信号的信号维度。
[0012]
可选地，在所述acgan-gp识别检测算法中，损失函数为铰链损失函数，优化算法为梯度下降法，引入梯度惩罚，以限定判别模型的梯度。
[0013]
可选地，所述acgan-gp识别检测算法的损失函数通过以下公式表述：
[0014]
l
s
＝e
x～q
[max(0,1-d(x,c)]+e
z～p
[max(0,1+d(g(z,c),c))]
[0015]
其中，l
s
表示真假判别损失，d为判别器，g为生成器；q表示真实信号x的分布，c为对应的数据标签，p表示生成器生成信号g(z,c)的分布；d(x,c)表示真实信号的判别结果，d(g(z,c),c)表示生成信号的判别结果；
[0016]
l
c
＝e[p(c＝c|x)]+e[p(c＝c|g(z,c))]
[0017]
其中，l
c
表示分类损失。
[0018]
可选地，所述判别模型的梯度惩罚通过以下公式表述：
[0019][0020]
其中，x～q，y～p，并且α～y(0,1)，通过联合真实数据和生成数据，可有效防止在训练过程中发生梯度爆炸。
[0021]
可选地，所述梯度下降法通过以下公式表述：
[0022]
所述梯度下降法通过以下公式表述：
[0023]
s
dw
＝βs
dw
+(1-β)dw2[0024]
s
db
＝βs
db
+(1-β)db2[0025][0026][0027]
其中，s
dw
表示网络的权值w的累计梯度，s
db
表示网络偏置b的累积梯度，β表示梯度累积控制参数，w表示本次迭代后更新的权值，b表示本次迭代后更新的偏置，α表示当前迭代梯度更新的控制参数。
[0028]
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于acgan-gp的小样本无线设备rf指纹识别程序，该基于acgan-gp的小样本无线设备rf指纹识别程序被处理器执行时实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法。
[0029]
根据本发明实施例的计算机可读存储介质，通过存储基于acgan-gp的小样本无线设备rf指纹识别程序，以使得处理器在执行该基于acgan-gp的小样本无线设备rf指纹识别程序时，实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法，从而实现对无线
设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0030]
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法。
[0031]
根据本发明实施例的计算机设备，通过存储器对基于acgan-gp的小样本无线设备rf指纹识别程序进行存储，以使得处理器在执行该基于acgan-gp的小样本无线设备rf指纹识别程序时，实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法，从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0032]
为达到上述目的，本发明第四方面实施例提出了一种基于acgan-gp的小样本无线设备rf指纹识别装置，包括：采集模块，所述采集模块用于获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；训练模块，所述训练模块用于根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；识别模块，所述识别模块用于获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别。
[0033]
根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别装置，通过设置采集模块用于获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；训练模块用于根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；识别模块用于获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别；从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0034]
另外，根据本发明上述实施例提出的基于acgan-gp的小样本无线设备rf指纹识别装置还可以具有如下附加的技术特征：
[0035]
可选地，对所述射频信号进行预处理，包括：根据相位法确定所述射频信号的起点，并提取所述射频信号的包络信息，以及采用主成分分析法降低所述射频信号的信号维度。
附图说明
[0036]
图1为根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法的流程示意图；
[0037]
图2为根据本发明实施例的无线设备射频信号采集过程示意图；
[0038]
图3为根据本发明实施例的射频信号起点检测过程示意图；
[0039]
图4为根据本发明实施例的不同信噪比下的信号包络信息示意图；
[0040]
图5为根据本发明实施例的信号特征分布示意图；
[0041]
图6为根据本发明实施例的最终判别模型的识别结果示意图；
[0042]
图7为根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法的识别结果与不同算法的识别结果对比图；
[0043]
图8为根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别装置的方框示意图。
具体实施方式
[0044]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0045]
相关技术中，多采用基于稳态谱特征的判别分类器、利用解调数据样本相位属性的差异作为射频指纹特征进行设备识别；然而，这些方法均需要人工进行指纹特征的提取，流程繁琐，并且，人工在提取指纹特征之前需要对现有信号的类型和特征进行深入的了解；根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法，首先，获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；接着，根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；然后，获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别；从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0046]
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0047]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0048]
图1为根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法的流程示意图，如图1所示，该基于acgan-gp的小样本无线设备rf指纹识别方法包括以下步骤：
[0049]
s101，获取无线设备的射频信号，并对射频信号进行预处理，以生成相应的训练信号。
[0050]
也就是说，如图2所示，对无线设备的射频信号进行采集，并对采集到的射频信号进行预处理，以生成适用于训练的训练信号。
[0051]
其中，对射频信号进行预处理的方式可以有多种。
[0052]
在一些实施例中，对射频信号进行预处理，包括：
[0053]
根据相位法确定射频信号的起点，并提取射频信号的包络信息，以及采用主成分分析法降低射频信号的信号维度。
[0054]
作为一种示例，如图3所示，图3为根据本发明实施例的射频信号起点检测过程示意图；图4为根据本发明实施例的不同信噪比下的信号包络信息示意图；图5为根据本发明实施例的信号特征分布示意图。
[0055]
s102，根据acgan-gp识别检测算法和训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型。
[0056]
即言，根据acgan-gp识别检测算法，同时，利用采集得到的训练信号，进行生成模
型和判别模型的训练，并根据训练结果确定最终判别模型。其中，生成模型用以根据随机噪声生成训练信号对应的模拟信号，并将该模拟信号和训练信号输入到判别模型中，以通过判别模型对二者进行识别；从而形成博弈训练，分别对生成模型和判别模型进行训练；最终，根据判别模型的识别准确率确定最终判别模型。
[0057]
在一些实施例中，在acgan-gp识别检测算法中，损失函数为铰链损失函数，优化算法为梯度下降法，引入梯度惩罚，以限定判别模型的梯度。
[0058]
作为一种示例，acgan-gp识别检测算法的损失函数通过以下公式表述：
[0059]
l
s
＝e
x～q
[max(0,1-d(x,c)]+e
z～p
[max(0,1+d(g(z,c),c))]
[0060]
其中，l
s
表示真假判别损失，d为判别器，g为生成器；q表示真实信号x的分布，c为对应的数据标签，p表示生成器生成信号g(z,c)的分布；d(x,c)表示真实信号的判别结果，d(g(z,c),c)表示生成信号的判别结果；
[0061]
l
c
＝e[p(c＝c|x)]+e[p(c＝c|g(z,c))]
[0062]
其中，l
c
表示分类损失。
[0063]
可以理解，在损失函数中引入铰链损失函数，其通过拟合数据的统计分布实现，具有很强的稳健性。
[0064]
作为另一种示例，梯度下降法通过以下公式表述：
[0065]
s
dw
＝βs
dw
+(1-β)dw2[0066]
s
db
＝βs
db
+(1-β)db2[0067][0068][0069]
其中，s
dw
表示网络的权值w的累计梯度，s
db
表示网络偏置b的累积梯度，β表示梯度累积控制参数，w表示本次迭代后更新的权值，b表示本次迭代后更新的偏置，α表示当前迭代梯度更新的控制参数。
[0070]
可以理解，优化算法采用梯度下降法有利于解决损失函数在更新中存在摆动幅度过大的问题，以避免其不平稳。
[0071]
作为又一种示例，判别模型的损失函数通过以下公式表述：
[0072]
判别模型的梯度惩罚通过以下公式表述：
[0073][0074]
其中，x～q，y～p，并且α～y(0,1)，通过联合真实数据和生成数据，可有效防止在训练过程中发生梯度爆炸。
[0075]
可以理解，在损失函数中引入梯度惩罚，可以帮助判别模型在空间区域间更均匀地分配其容量，发现目标分布的不可见区域；从而显著提高生成样本的多样性。同时，通过引入梯度惩罚，可以有效防止模式崩溃，提高泛化能力和收敛性。
[0076]
s103，获取待检测射频信号，并将待检测射频信号输入到最终判别模型，以通过最终判别模型对待检测射频信号进行识别。
[0077]
即言，在最终判别模型确定之后，获取待检测射频信号，并将获取到的待检测射频
信号输入到最终判别模型，最终判别模型对待检测射频信号进行识别，并输出识别结果。
[0078]
为了更好地说明本发明实施例提出的基于acgan-gp的小样本无线设备rf指纹识别方法的识别效果，如图6所示，图6为根据本发明实施例的最终判别模型的识别结果示意图；由图6可知，根据最终判别模型进行识别，其准确率得到了很大的提高；如图7所示，图7为根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法的识别结果与不同算法的识别结果对比图；可知，在小样本情况下，本该方法的准确率相较其他算法有很大的提升。
[0079]
综上所述，根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别方法，首先，获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；接着，根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；然后，获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别；从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0080]
为了实现上述实施例，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于acgan-gp的小样本无线设备rf指纹识别程序，该基于acgan-gp的小样本无线设备rf指纹识别程序被处理器执行时实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法。
[0081]
根据本发明实施例的计算机可读存储介质，通过存储基于acgan-gp的小样本无线设备rf指纹识别程序，以使得处理器在执行该基于acgan-gp的小样本无线设备rf指纹识别程序时，实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法，从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0082]
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法。
[0083]
根据本发明实施例的计算机设备，通过存储器对基于acgan-gp的小样本无线设备rf指纹识别程序进行存储，以使得处理器在执行该基于acgan-gp的小样本无线设备rf指纹识别程序时，实现如上述的基于acgan-gp的小样本无线设备rf指纹识别方法，从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0084]
为了实现上述实施例，本发明实施例提出了一种基于acgan-gp的小样本无线设备rf指纹识别装置，如图6所示，该基于acgan-gp的小样本无线设备rf指纹识别装置包括：采集模块10、训练模块20和识别模块30。
[0085]
其中，采集模块10用于获取无线设备的射频信号，并对射频信号进行预处理，以生成相应的训练信号；
[0086]
训练模块20用于根据acgan-gp识别检测算法和训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；
[0087]
识别模块30用于获取待检测射频信号，并将待检测射频信号输入到最终判别模
型，以通过最终判别模型对待检测射频信号进行识别。
[0088]
在一些实施例中，对所述射频信号进行预处理，包括：根据相位法确定所述射频信号的起点，并提取所述射频信号的包络信息，以及采用主成分分析法降低所述射频信号的信号维度。
[0089]
需要说明的是，上述关于图1中基于acgan-gp的小样本无线设备rf指纹识别方法的描述同样适用于该基于acgan-gp的小样本无线设备rf指纹识别装置，在此不做赘述。
[0090]
综上所述，根据本发明实施例的基于acgan-gp的小样本无线设备rf指纹识别装置，通过设置采集模块用于获取无线设备的射频信号，并对所述射频信号进行预处理，以生成相应的训练信号；训练模块用于根据acgan-gp识别检测算法和所述训练信号进行生成模型和判别模型的训练，并根据训练结果确定最终判别模型；识别模块用于获取待检测射频信号，并将所述待检测射频信号输入到最终判别模型，以通过所述最终判别模型对所述待检测射频信号进行识别；从而实现对无线设备rf指纹进行有效识别，同时，无需人工对指纹特征进行提取，简化指纹识别流程，降低无线设备rf指纹识别难度。
[0091]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0092]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0093]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0094]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0095]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0096]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造
性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0097]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
[0098]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0099]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0100]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0101]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0102]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。