一种多粒度智能分类方法及系统与流程

1.本发明涉及信号处理领域，特别涉及一种多粒度智能分类方法及系统。


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。


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，本发明提供了一种多粒度智能分类方法及系统，针对具有不同粒度(厂家、型号、批次)的待识别信号，根据待分类特征数据的难易程度，利用多粒度智能分类器进行识别以得到识别结果。
5.以下是本发明的技术方案。
6.一种多粒度智能分类方法，包括以下步骤：利用接收机采集射频基带信号中i/q两路信号；选取i路信号进行方差轨迹检测，截取稳态信号片段；对所述稳态信号片段进行数据标准化处理；计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹，并生成射频基因库；利用智能分类器识别所述射频基因库的射频基因特征，输出识别结果，完成通信辐射源个体识别。
7.作为优选，所述数据标准化处理包括：中心化—压缩处理，其数学公式如下所示：其中为截取的稳态信号片段，为标准化处理后的特征向量。
8.作为优选，所述利用智能分类器识别所述射频基因库的射频基因特征步骤中，智能分类器包括支持向量机和灰关联分类器，其中灰关联分类器识别所述射频基因库的射频基因特征的过程包括：
其中bi(i＝1,2,
…
)表示待识别的通信辐射源个体特征；定义已建立的通信辐射源个体特征与个体标签之间的射频基因库，包括：其中，cj(j＝1,2,
…
)表示已知合法的通信辐射源个体标签，cj(j＝1,2,
…
)表示特征参数；定义ρ∈(0，1)：定义ρ∈(0，1)：其中，ρ表示分辨系数，通常取值为0.5，ξ(bi(k),cj(k))表示bi与cj之间第k个特征参数的关联系数，ξ(bi,cj)表示bi与cj之间的灰色关联度；当求得bi与已知射频指纹库中的每一个cj(j＝1,2,
…
m)的关联度ξ(bi,cj)(j＝1,2,
…
,m)后，为了识别bi所属的通信辐射源个体是否为合法接入无线通信设备，加入了如下判断准则：若test《阈值，则bi所属的通信辐射源个体为非法接入无线通信设备；否则，bi所属的通信辐射源个体为合法接入无线通信设备，将bi分类至射频指纹库中最大关联度所属的通信辐射源个体标签。
9.本发明还提供一种多粒度智能分类系统，包括：接收机，用于采集射频基带信号中i/q两路信号；预处理模块，用于选取i路信号进行方差轨迹检测，截取稳态信号片段；并对所述稳态信号片段进行数据标准化处理；计算模块，用于计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹，并生成射频基因库；
智能分类器，用于识别所述射频基因库的射频基因特征，输出识别结果，完成通信辐射源个体识别。
10.作为优选，所述预处理模块执行的数据标准化处理包括：中心化—压缩处理，其数学公式如下所示：其中为截取的稳态信号片段，为标准化处理后的特征向量。
11.作为优选，所述智能分类器包括支持向量机和灰关联分类器，其中灰关联分类器识别所述射频基因库的射频基因特征的过程包括：其中bi(i＝1,2,
…
)表示待识别的通信辐射源个体特征；定义已建立的通信辐射源个体特征与个体标签之间的射频基因库，包括：其中，cj(j＝1,2,
…
)表示已知合法的通信辐射源个体标签，cj(j＝1,2,
…
)表示特征参数；定义ρ∈(0，1)：定义ρ∈(0，1)：其中，ρ表示分辨系数，通常取值为0.5，ξ(bi(k),cj(k))表示bi与cj之间第k个特征参数的关联系数，ξ(bi,cj)表示bi与cj之间的灰色关联度；当求得bi与已知射频指纹库中的每一个cj(j＝1,2,
…
m)的关联度ξ(bi,cj)(j＝1,2,
…
,m)后，为了识别bi所属的通信辐射源个体是否为合法接入无线通信设备，加入了如下判断准则：
若test《阈值，则bi所属的通信辐射源个体为非法接入无线通信设备；否则，bi所属的通信辐射源个体为合法接入无线通信设备，将bi分类至射频指纹库中最大关联度所属的通信辐射源个体标签。
12.本发明的实质性效果包括：通过智能分类器，能够针对具有不同粒度(厂家、型号、批次)的待识别信号，根据待分类特征数据的难易程度，对于提取到的信号特进行识别，实现物理层的设备识别。
附图说明
13.图1是本发明实施例的一种流程示意图；图2是本发明实施例的视距场景(los)下灰关联分类器分类结果图；图3是本发明实施例的视距场景(los)下支持向量机分类器分类结果图；图4是本发明实施例的在变化信噪比场景下灰关联分类器识别结果图；图5是本发明实施例的在变化信噪比场景下支持向量机分类器分类结果图。
具体实施方式
14.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。
15.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。
16.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。
17.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。
18.实施例：一种多粒度智能分类方法及系统，系统包括：接收机，用于采集射频基带信号中i/q两路信号；预处理模块，用于选取i路信号进行方差轨迹检测，截取稳态信号片段；并对所述稳态信号片段进行数据标准化处理；计算模块，用于计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量，将所述特征向量作为发射机的射频指纹，并生成射频基因库；智能分类器，用于识别所述射频基因库的射频基因特征，输出识别结果，完成通信辐射源个体识别。
19.具体地，本实施例的整个识别过程可以用图1表示，包括了adc采样、方差轨迹检测、截取稳态信号片段、信号归一化处理、基于功率谱密度的射频基因提取、基因特征归一
化处理、基于智能分类器的射频基因识别等过程。
20.其中，预处理模块执行的数据标准化处理包括：中心化—压缩处理，其数学公式如下所示：其中为截取的稳态信号片段，为标准化处理后的特征向量。
21.本实施例的智能分类器包括支持向量机和灰关联分类器，其中灰关联分类器识别所述射频基因库的射频基因特征的过程包括：其中bi(i＝1,2,
…
)表示待识别的通信辐射源个体特征；定义已建立的通信辐射源个体特征与个体标签之间的射频基因库，包括：其中，cj(j＝1,2,
…
)表示已知合法的通信辐射源个体标签，cj(j＝1,2,
…
)表示特征参数；定义ρ∈(0，1)：定义ρ∈(0，1)：其中，ρ表示分辨系数，通常取值为0.5，ξ(bi(k),cj(k))表示bi与cj之间第k个特征参数的关联系数，ξ(bi,cj)表示bi与cj之间的灰色关联度；当求得bi与已知射频指纹库中的每一个cj(j＝1,2,
…
m)的关联度ξ(bi,cj)(j＝1,2,
…
,m)后，为了识别bi所属的通信辐射源个体是否为合法接入无线通信设备，加入了如下判断准则：若test《阈值，则bi所属的通信辐射源个体为非法接入无线通信设备；否则，bi所属
的通信辐射源个体为合法接入无线通信设备，将bi分类至射频指纹库中最大关联度所属的通信辐射源个体标签。
22.本发明实施例通过智能分类器，能够针对具有不同粒度(厂家、型号、批次)的待识别信号，根据待分类特征数据的难易程度，对于提取到的信号特进行识别，实现物理层的设备识别。
23.下面以识别同厂家同型号同批次的8个ebyte生产的无线数传电台e90-dtu设备为例进行说明。
24.基带信号采集设备：signal hound公司生产的sm200b实时频谱分析仪；采集环境：视距场景(los)、视距场景(los)+非视距场景(nos)的混合场景、变化信噪比场景。采集8个ebyte生产的无线数传电台e90-dtu设备，信号采集频点为433mhz，经过方差轨迹检测截取的稳态信号片段长度为15000点。
25.通过对数据标准化处理后的稳态信号片段进行功率谱密度计算得到特征向量，再对特征向量进行标准化处理(中心化—压缩处理)后作为发射机的射频指纹，再利用灰关联分类器或者支持向量机等智能分类器进行识别。
26.(1)在视距场景(los)下：采集8个ebyte生产的无线数传电台e90-dtu设备，每个设备的采集200个样本(其中随机选取140个样本作为训练样本，剩余60个样本作为测试样本)，得到的识别结果如图2和图3所示。
27.图2和图3中可以看到，在10db信噪比下本节所提方法基于灰关联分类器可以得到91.46％准确识别率，在20db信噪比下本节所提方法基于支持向量机分类器可以得到99.79％准确识别率。
28.(2)在视距场景(los)+非视距场景(nos)的混合场景下：采集8个ebyte生产的无线数传电台e90-dtu设备，每个设备在视距场景(los)下采集200个样本，在非视距场景(nos)下采集50个样本。每个设备采集的250个样本中，随机选取200个样本作为训练样本，剩余50个样本作为测试样本，得到的识别结果。
29.结果为：在10db信噪比下本发明所提方法基于灰关联分类器可以得到91.50％准确识别率，在20db信噪比下本发明所提方法基于支持向量机分类器可以得到98.75％准确识别率。
30.(3)在变化信噪比场景下：采集8个ebyte生产的无线数传电台e90-dtu设备，每个设备在视距场景(los)下采集200个样本，在非视距场景(nos)下采集50个样本，即每个设备的采集250个样本(其中随机选取200个样本作为训练样本，剩余50个样本作为测试样本)，得到在不同信噪比下的识别结果。
31.根据图4和图5可知，在5db信噪比下本节所提方法基于灰关联分类器仍得到89.75％识别准确率，在5db信噪比下本节所提方法基于支持向量机分类器仍得到96.25％识别准确率。
32.在上述三个实施案例，平均每个测试样本的识别计算耗时不超过0.0348s(基于灰关联分类器)和2.0552e-04s(基于支持向量机分类器)，说明本实施例在保证识别计算实时性的同时，大大提高了识别准确率(传统方法在10db信噪比下的识别准确率均低于90％)。
33.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。
34.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。
35.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。
36.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。
37.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。
38.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。