基于特征相关与自适应分解的网卡频谱指纹特征放大方法

1.本发明属于辐射源指纹识别技术领域，具体涉及一种基于特征相关与自适应分解的网卡频谱指纹特征放大方法。


背景技术：

2.辐射源指纹识别技术，又叫做特定辐射源识别(specific emitter identification,sei)，是指提取电磁信号中能够体现辐射源发射机硬件差异的特征，以此识别特定辐射源设备的技术。硬件差异特征与传输的信号样式参数无关，独立于传输信息，不能伪造，无法避免。这种特定于辐射源硬件的信息以无意调制的方式附带在信号上。
3.对辐射源指纹识别而言，核心问题是对辐射源硬件差异的准确表征。用于识别的关键信息实际上是信号中蕴含的关于设备的无意调制。相比于有意调制，无意调制不是主要成分，是细微的不易察觉的。而且对有着相同有意调制方式的信号计算得到的特征是高度相似，其附带的能够体现其发射来源的无意调制的指纹信息实际上是非常微弱的。
4.因而在辐射源指纹识别中存在一个重要的问题：不同辐射源的硬件差异实际上很小，提取特征的绝大部分信息体现的是设备的共性，仅仅存在非常细微的个体性差异，给后续的分类识别带来了极大的困扰。
5.现有的研究为解决该问题，有的寄希望于利用更高精度的分类器，例如利用神经网络来进行细微差异的识别(chen p b,guo y l,li g.discriminative adversarial networks for specific emitter identification,electronics letters,2020,56(1).)；有的对信号的有意调制进行估计并消除(merchant k,revay s,stantchev g,nousain b,deep learning for rf device fingerprinting in cognitive communication networks,ieee journal of selected topics in signal processing,2018.12(1):160-167.doi:10.1109/jstsp.2018.2796446.)，然而估计精度会影响到无意调制信息，并引入新的误差；有的通过小波变换对信号主成分进行抑制(wu l w,niu j p,wang z,et al.primary signal suppression based on synchrosqueezed wavelet transform,journal of electronics&information technology,2019,42(8):2045-2052.)，然而这些都是在时域对信号波形直接进行处理的。
6.相比于其他域特征，频域辐射源指纹特征相对稳定，受噪声环境影响比较小。但是信号频谱之间差异较小，特别是相同调制样式、调制参数的信号频谱高度相似。在此基础上提取的辐射源指纹特征非常细微，需要进行进一步的处理。
7.尽管来自不同设备的相同调制的信号频谱主体上相似，但是细微差异总是存在的，后者是辐射源指纹识别所关心的。通过特定处理和信号自适应分解手段，能够将主体成分和体现辐射源设备信息的差异成分分解出来。变分模态分解(variational mode decomposition，vmd)是一种自适应、完全非递归的模态变分和信号处理的方法。该方法具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带
signal processing letters,vol.27,pp.471-475,2020.)。
21.s1.2，信号频偏估计与消除
22.实际传输的信号所在频段位置不同，实际接收也会导致一定的频偏，频偏值的存在会使得后续提取的频谱特征的范围确定存在一定的偏差，因此需要准确估计待处理信号样本的帧头部分x1(t)的频偏f0。由于待处理信号样本的帧头部分x1(t)是待处理信号样本x0(t)被截断的一部分，因此x0(t)和x1(t)的频偏是一样的，在频偏估计时，基于长度更长的x0(t)进行频偏估计可以提高估计精度；具体如下：
23.s1.2.1基于傅里叶插值算法对x0(t)的频偏值f0进行估计(具体估计方法见aboutanios e,mulgrew b.iterative frequency estimation by interpolation on fourier coefficients.ieee transactions on signal processing 2005；53(4):1237-42.)；
24.s1.2.2根据f0将x1(t)搬移到零频，得到基带信号，消除频偏影响；
25.s1.2.3将基带信号进行去均值，能量归一化得到待特征提取的信号x2(t)；
26.s1.3，频谱特征计算
27.频谱特征上指纹信息分布并不均匀，在靠近中心频率处分布差异更明显(liting sun,xiang wang,zhitao huang,and baoguo li,radio frequency fingerprint extraction based on feature inhomogeneity.ieee internet of things journal,2022.doi:10.1109/jiot.2022.3154595)。
28.因此，本发明通过提取频谱中指纹信息最为丰富的局部频谱作为辐射源指纹特征，只保留主瓣附近一定宽度的频谱，而不是依赖全部频谱信息。计算方法简单便捷，且相比于利用全部频谱信息，信号特征维度大幅降低。
29.具体如下：
30.s1.3.1在0频处计算待特征提取的信号x2(t)的频谱f0(k)：
[0031][0032]
其中，表示傅里叶变换；k表示傅里叶变换的频率索引值，也是频谱特征的维度索引值；n
fft
表示傅里叶变换的点数；|
·
|表示计算幅度值。
[0033]
s1.3.2设待特征提取的信号x2(t)的频谱f0(k)的主瓣3db宽度为wb，取出峰值左右带宽为λ1wb的频谱作为初步频谱特征值f1(k),k＝1,...,k2，其中，λ1表示频谱范围的加权参数，k2表示截取部分以后的频谱长度，即初步频谱特征值f1(k)的长度。实验表明，λ1＝2可以满足识别要求。
[0034]
s1.3.3对f1(k)计算二阶导数选择满足的最小值k
min
，其中，λ2表示权重系数，λ2＞0。
[0035]
选择f1(k)上[k
min
,k2]段作为待放大的频谱特征f(k)。
[0036]
s2：频谱基准特征提取与特征成分分析；
[0037]
这个步骤主要对s1提取的全部辐射源的全部已知标签的信号特征进行综合利用，计算其共性成分作为频谱基准特征，然后基于相关运算实现细节的放大，最后基于自适应
分解完成成分分析，得到对辐射源指纹识别无益的有意调制量。
[0038]
这一步的输出是频谱基准特征和有意调制量h(j)。在实际应用中，本阶段的主要目的是得到频谱基准特征和有意调制量h(j)，它们是基于全部辐射源的全部训练数据得到的，只需要进行一次。具体如下：
[0039]
s2.1，计算频谱基准特征
[0040]
s1给出了一个信号样本的待放大的频谱特征f(k)的计算方法。在sei问题中要处理多个辐射源的多个信号样本。本发明的基准特征是多个辐射源全部训练样本的公共特征，因此需要对多个辐射源的多个信号样本进行处理。
[0041]
假定共有m个无线网卡需要进行辐射源个体识别分析，第m个辐射源有nm个信号样本，则其第i个样本的待放大的频谱特征可以表示为f
im
(k),i＝1,...,nm,m＝1，
…
,m。
[0042]
此处，f
im
(k)即为s1的输出f(k)，为表示辐射源和信号样本的信息，用上角标m表示对应的辐射源的标签，下角标i表示当前辐射源的第i个信号样本。
[0043]
s2.1.1按照与s1相同的方法，计算得到全部辐射源的全部的样本的待放大的频谱特征并将其组成集合{f
im
(k)},i＝1,...,nm,m＝1，
…
,m。
[0044]
s2.1.2计算每个辐射源的特征均值
[0045]
s2.1.3求加权平均值，得到频谱基准特征
[0046][0047]
其中，αm为第m个辐射源特征权重，满足辐射源特征权重根据数据规模、各个辐射源特征分布情况确定。通常情况下
[0048]
频谱基准特征是通过计算全部辐射源的全部训练样本得到的共性部分，被认为是辐射源的公共部分，也就是对辐射源个体识别无益的有意调制，下面对该部分进行抑制。
[0049]
s2.2，频谱基准特征细节放大
[0050]
对s2.1获得的频谱基准特征进行自相关运算，实现细节放大，得到标准频谱特征
[0051][0052]
其中，表示自相关运算。此处的特征维度发生变化，j＝2k-1。
[0053]
该步骤中的是对基于多部辐射源信号的加权平均值——频谱基准特征经过自相关运算后的得到的，其在分布上呈左右对称，能够体现辐射源的共性。为了与s2.1中的频谱基准特征区分，被称为标准频谱特征。
[0054]
s2.3，标准频谱特征自适应分解
[0055]
将s2.2获得的标准频谱特征进行vmd分解，得到不同分量，这些分量被称为
imf。vmd分解具体实现过程参考(dragomiretskiy k,zosso d.variational mode decomposition,ieee trans.on signal processing,2014,62(3):531-544.doi:10.1109/tsp.2013.2288675)。
[0056]
设分解层数为l，得到的分解结果可以表示为：
[0057][0058]
其中，v,v,ω分别为分解出的imf的时域组合，频域组合和imf的中心频率。
[0059]
imf的时域组合v表示为：
[0060]
v＝[v1(j),v2(j),
…
,v
l
(j)],j＝1,2,...,j
[0061]
其中，v
l
(j),l＝1,2,...,l为单个imf分量
[0062]
s2.4，频谱特征成分分析
[0063]
对s2.3中经过vmd分解得到的l个imf分量进行频谱成分分析，具体如下：
[0064]
s2.4.1计算不同imf分量v
l
(j)的能量值:
[0065][0066]
s2.4.2按照{e
l
}对imf进行排序，其中，能量最高的imf分量为主要成分分量能量低者作为杂散成分
[0067]
s2.4.3将选中的主要成分分量和杂散成分分量的集合表示为得到有意调制特征量h(j)：
[0068][0069]
s2计算得到的频谱基准特征标准频谱特征是基于多个辐射源的多个样本累积加权后得到的，因此被视为全部辐射源共有的公共成分。
[0070]
有意调制特征量h(j)是在这些公共成分的基础上计算得到的，被认为是不同辐射源的信号所共有的，是sei并不关心的无关成分，需要将其剔除。得到h(j)意味着完成了对频谱特征成分的分析。
[0071]
s3：无标签数据放大特征提取；
[0072]
sei真正目的是针对新接收的无标签信号，实现辐射源的识别。因此，这个阶段主要进行对新接收的信号分析处理，提取经过放大的最终频谱指纹特征，以提升辐射源个体识别的性能。
[0073]
注意，每个新接收的信号都需要首先重复s1的数据处理与频谱特征提取，这是特征放大的基础。
[0074]
然后，将新信号的频谱特征与频谱基准特征进行相关运算，最后，消除有意调制量h(j)，得到放大后的最终频谱特征。
[0075]
本阶段的输出是放大后的最终频谱特征因为此处信号对应的辐射源标签未知，用符号n表示。具体如下：
[0076]
s3.1，待识别样本的相关变换
[0077]
s3.1.1按照s1计算新接收信号的频谱特征f
in
(k)。在识别阶段，由于对应的网卡标签是未知的，辐射源标签用n来表示。为了与s2中计算的带有明确标签信息的待放大的频谱特征f
im
(k)以区分，此处将第n个辐射源的第i个样本待识别的频谱特征用f
in
(k)表示。f(k)、f
im
(k)、f
in
(k)都是基于相同方法计算得到，脚标表示信号对应的辐射源标签以及样本编号信息。
[0078]
s3.1.2将f
in
(k)与频谱基准特征进行互相关运算，得到新的特征实现差异放大：
[0079][0080]
需要注意的是，此处特征尽管形式上与s2中得到的标准频谱特征类似，但是标准频谱特征是全部已知样本的公共成分，不是特指某一个辐射源的特征，只需要计算一次，只在频谱特征成分分析中进行一次，因此不带有上下标。而此处得到的新的特征是当前信号样本f
in
(k)的特征，因此沿用了特征f
in
(k)的标注方式,n表示辐射源的标签，i表示样本编号。
[0081]
s3.2，放大后的最终频谱特征计算
[0082]
将s3.1中新的特征减去s2.4.3得到的有意调制特征量h(j)，得到放大后的最终频谱特征：
[0083][0084]
是消除了全部辐射源共有的有意调制后，得到放大的无意调制特征。
[0085]
本发明涉及一种无线网卡频谱指纹特征的放大技术。具体指的是对无线网络信号检测过程中收到的多个网卡信号进行高精度频率估计，提取频谱指纹特征，并解决网卡设备之间辐射源个体特征差异较小的问题，实现细节放大。具体方法是提取了指纹信息更加丰富的局部频谱作为指纹特征，通过对多个辐射源的频谱特征进行加权求均值获得辐射源频谱特征的公共部分，基于自适应分解得到频谱特征的主体成分和杂散成分，同时在计算过程中基于相关运算实现频谱特征中的细节放大，同时消除了有意调制量，得到的经过放大的最终频谱特征，为后续提高网卡设备辨识成功率奠定基础。
[0086]
本发明具有以下技术效果：本发明实现了对网卡信号在频谱上细微差异特征的放大，主要体现在：
[0087]
(1)提取信号频谱中指纹信息最为丰富的局部频谱作为辐射源指纹特征，而不是依赖全部信息，特别的去掉了主瓣，只保留主瓣附近一定宽度的频谱；计算方法简单便捷，且相比于全长，特征维度大幅降低。
[0088]
(2)基于多个辐射源的大量样本的加权均值来获取不同辐射源指纹特征的公共成分，定义了频谱基准特征、标准频谱特征，并给出了相应的计算方法。
[0089]
(3)通过自适应分解vmd算法对新提取的辐射源指纹特征进行分解，分离出对sei无益的成分，包括有意调制的主要成分和杂散成分，并进行消除。
[0090]
(4)利用相关运算，实现辐射源指纹特征中细微差异的放大。
[0091]
(5)计算复杂度低，实时性高。
附图说明
[0092]
图1是本发明实现的流程图；
[0093]
图2是信号频谱特征图像；
[0094]
图3是原始频谱特征；
[0095]
图4是频谱基准特征自相关；
[0096]
图5是标准频谱特征分解结果；
[0097]
图6是不同辐射源的频谱特征与基准特征互相关结果；
[0098]
图7是辐射源指纹特征差异放大后最终特征图；
[0099]
图8是辐射源指纹差异放大后的特征局部图。
具体实施方式
[0100]
下面结合附图对本发明的具体实施方式作进一步介绍。
[0101]
图1是本发明实现的流程图，本发明提出一种基于特征相关与自适应分解的网卡频谱指纹特征放大方法，分为以下三个大步骤：
[0102]
s1：数据处理与频谱特征提取；
[0103]
s2：频谱基准特征提取与特征成分分析；
[0104]
s3：无标签数据放大特征提取；
[0105]
具体如下：
[0106]
首先，将接收数据进行s1.1-s1.3的处理得到待放大的频谱特征；
[0107]
然后，判断是否需要进行频谱基准特征计算，如果需要(即还没有基准特征结果的情况下)，则进行s2.1-s2.4，得到基准特征和有意调制量h(j)。因为s2.1-s2.4的计算是基于多个辐射源的多个样本累积加权数据得到的因此是全部辐射源共有的公共成分。
[0108]
最后，对于后续接收到的新的信号只是需要重复步骤s1.1-s1.3，并进行s3.1和s3.2就可以得到放大后的最终频谱特征。
[0109]
因此，在实际应用过程中，s2.1-s2.4只需要进行一次，得到相应的基准特征和有意调制量h(j)后不需要再重复进行步骤s2.1-s2.4，从而提升计算效率。
[0110]
图2是经过计算(s1.1-s1.3)后信号频谱基准特征的图像，横轴表示特征维度，纵轴表示对应的特征值。此处的特征来自于频谱主峰的右侧区域，维度为4000。特征计算过程中，s1.3.2中λ1wb的λ1＝2,s1.3.3中λ2＝10，下面图表计算参数一致。该结果是基于3部无线网卡的300个信号样本计算得到的公共部分，其中每个辐射源包含100个信号样本，即m＝3,nm＝100,m＝1,2,3。
[0111]
图3是展示了多部辐射源信号经过计算得到的原始频谱特征，即经过步骤s1.1-s1.3得到的f(k)，不同颜色代表不同的网卡个体，不同个体发射信号相同。左侧小图表示两个辐射源的原始频谱特征情况，深色的一组曲线表示辐射源1的特征，浅色的表示辐射源2的特征；右侧图表示在原有的辐射源1和2的基础上，增加了辐射源3的特征，在图中表现为最外侧的第二组深色的曲线。
[0112]
可以看到，不同辐射源的信号在本发明提取的原始特征上是存在差异的，能够用于设备的识别。但是这些特征曲线的主体形状是一致的，只是在细微处有差异。这些细微的
差异才是辐射源指纹识别真正关心的。而随着辐射源个体数量增加这种差异的细微性导致特征曲线相似度较高，相互之间重叠严重，识别难度大大增加。
[0113]
图4是基准特征自相关后细节信息放大得到的标准频谱特征的曲线图(s2.2)。与图2图3相同横轴表示特征维度，纵轴表示特征值。计算是基于图2中的频谱基准特征此时的特征以4000为中心左右对称，特征维度为7999。是消除了辐射源个体差异的公共部分，其主体形状可以用以表示有意调制成分，是s2.3中vmd分解的成分分析的输入。
[0114]
图5是标准频谱特征经过l＝3的vmd分解后，时域内imf的曲线图(s2.3)。可以看到，经过分解后，不同成分imf1～imf3被分解出来，其中，imf1能量最强，是的主体成分，而imf3能量最低，频率最高，是杂散成分。
[0115]
图6是新接收的样本经过步骤s1.1-s1.3计算得到的特征f
in
(k)与基准特征进行互相关的结果与图3中曲线含义相同，图6中左侧小图中两组颜色不同的曲线分别表示辐射源1(深色)、辐射源2(浅色)的特征；与左侧图相比，右侧的小图中新加入的一组深色曲线表示辐射源3。
[0116]
从波形的左右两侧对称性可以看到，相比于标准频谱特征(图4)，并不是左右对称的。与图3中的原始频谱特征相比，可以明显看到差异部分得到了放大。而目标数增加后，不同网卡之间的特征差异依旧明显。
[0117]
图7是经过本发明方法之后得到指纹差异放大的最终频谱特征的曲线图(s3.2)。此处得到的特征是消除了vmd分解之后得到的无益于辐射源个体识别的主体成分和杂散成分h(j)的，只保留了能够体现个体之间差异的无意调制信息，因而实现了指纹信息的放大。
[0118]
图7中左右两侧小图片中曲线的含义与图3、图6一致。不同颜色的曲线分表表示不同的辐射源的放大后的最终频谱左侧图中成两组的曲线分别表示辐射源1(深色)、辐射源2(浅色)，右侧图表示在左侧基础上补充绘制了辐射源3的特征(最上方深色曲线)。
[0119]
相比于图3中的原始频谱特征，其放大效果十分明显。
[0120]
图8是指纹差异放大后的特征的局部放大图。图中曲线含义与图7一致。不同目标的特征曲线取值范围不同，波动规律不同，区分性大大增强。
[0121]
本发明的效果是基于真实采集的ieee802.11b标准的相同型号的三个无线网卡发射的信号进行验证分析的。信号工作频点在2.4ghz,采样率为10ghz。检测得到的信号帧头部分，用以分析的数据长度为2500点。图2到图8均为实际效果图。人眼可以清晰看到，原来分布在一起的特征曲线经过本发明处理后呈现明显的差异，原有的细微差异得到了显著放大。