本发明属于通信技术领域，更为具体地讲，涉及一种基于双谱特征和深度学习的手机个体识别方法。
背景技术：
通信辐射源个体识别是通过对接收信号特征测量确定产生信号的辐射源个体，其定义为“将辐射源惟一电磁特征与辐射源个体关联能力”。辐射源个体特征一般是由于其内部元器件之间也存在着微小差异，如器件的非线性、频率源的不稳定性以及杂散输出等，这种特征也称为通信信号的“指纹”，是指通信信号中用于标识发送该信号的通信设备身份的特征，对每个个体来说，这种特征是唯一的。目前，通信辐射源个体识别技术已经成为通信信号处理领域里的一个研究热点。通信辐射源个体识别的目标是通过利用通信号信号中的能够标识辐射源个体的细微特征集(一般称为信号细微特征)与数据库中的细微特征集进行匹配，从而达到辐射源个体识别的目的。
随着通信技术的发展，无线网络纷繁复杂，为保证无线网络的安全性，需要对网络的用户进行身份验证，原有的身份验证方式主要是密钥验证，但是非法用户若窃取到了密钥，仍然可以入侵无线网络。若同时采取密钥身份验证和硬件个体身份验证两种方式，无线网络的安全性就可大大提高。如在认知无线电领域，移动通信设备如手机，通过感知所在无线网络内的频谱环境，找到注册手机的空闲时段进行通信，在频谱越来越紧张的今天，认知无线电技术大大提高了频谱利用率。然而，这种技术的缺陷在于，目前采用的通过软件认证的方式很容易模仿，这个漏洞也容易被恶意攻击方利用，发动pue(primaryuseremulation)攻击，从而造成信息泄露或频谱被长期非法占用，给网络管理带来了极大的麻烦。通过本发明手机辐射源个体的识别技术，从物理层进行认证，这种认证方式是个体唯一、极难被模仿的，通过设备被动认证，不需要设备间的协作，实施方便，可以有效的阻止pue攻击，增强认知无线电网络的安全性。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于双谱特征和深度学习的手机个体识别方法，利用手机设备个体特征的唯一性、不可模仿性，极大地增强无线电网络的安全性。
为实现上述发明目的，本发明一种基于双谱特征和深度学习的手机个体识别方法，其特征在于，包括以下步骤：
(1)、对待识别的手机个体采样
在手机通话阶段，使用ad9361软件无线电平台对待识别的手机个体采样，采样频段为a～bmhz，采样频率为fsmhz，其中，设待识别的手机个体共c个，每个手机个体采样m组采样数据，则待识别的手机个体共计采样出c×m组采样数据；
(2)、采样数据预处理
将c×m组采样数据依次通过pcie实时传输到pc机上，再对采样数据进行解帧和重组，得到i、q两路数据信号；
(3)、获取数据样本集
计算i、q两路数据信号的模值，挑选出i、q两路数据信号中数据长度等于l且模值大于预设阈值的数据信号，再将这些数据信号对应的采样数据保存在数据样本集s{n}中，n表示数据样本集中采样数据的个数，n≤c×m；
(4)、求取样本特征集y
(4.1)、计算数据样本集s{n}中每个采样数据的双谱
(4.1.1)、将每一个长度为l的采样数据分成k段，保持相邻数据段重叠部分为t％，每段数据长度为
(4.1.2)、计算第i段数据的dft系数xi(λ)：
(4.1.3)、计算fft序列的三阶相关
其中，λ1,λ2是频域的相关变量，满足：0≤λ2≤λ1,λ1+λ2≤fs/2；l1的取值满足
(4.1.4)、计算每个采样数据的双谱b(ω1,ω2)：
其中，
(4.2)、计算每个采样数据的径向积分双谱prib(α)
其中，ω1＝2πf1，ω2＝2πf2，α为常数；
(4.3)、计算每个采样数据的轴向积分双谱aib(ω)
其中，
(4.4)、计算每个采样数据的圆周积分双谱cib(α)
cib(α)＝∫bp(α,θ)dθ
其中，bp(α,θ)是双谱b(ω1,ω2)的极坐标表示；
(4.5)、计算每个采样数据的矩形积分双谱sib(ω)
其中，sl表示围线积分路径；
(4.6)、将四种积分双谱按照sib(ω)、prib(α)、cib(α)和aib(ω)的顺序依次排列，组合成样本特征集y；
(5)、将样本特征集y分为训练特征集ytrain和测试特征集ytest，然后利用训练特征集y训练卷积神经网络，再利用训练后的卷积神经网络对测试特征集ytest进行分类决策，最终输出手机个体识别结果，得到训练完成的卷积神经网络；
(6)、实时采集手机个体的采样数据，按照步骤(1)-(4)所述方法处理后输入至训练完成的卷积神经网络，输出手机个体识别结果。
本发明的发明目的是这样实现的：
本发明基于双谱特征和深度学习的手机个体识别方法，通过分别对所有样本进行采样及预处理后通过计算四种积分双谱，从而组合得到训练卷积神经网络的特征集，然后将特征集按比例划分为训练特征集ytrain和测试特征集ytest；使用训练特征集ytrain卷积神经网络，再利用训练后的卷积神经网络对测试特征集ytest进行分类决策，最终输出手机个体识别结果。
同时，本发明基于双谱特征和深度学习的手机个体识别方法还具有以下有益效果：
(1)、提取的手机个体特征稳定度较好，四种双谱几乎涵盖了大多数有意义的积分路径，它们提取的特征能够互相补充，期望获得更优的识别效果，从而提高了手机个体的识别率，并且该发明所使用的方法适用且很容易推广到3g、4g频段的手机个体识别，可以增强混合认知无线电网络的安全性。
(2)、平台可以采用分布式部署，可将手机信号特征提取过程部署在分布式平台上，采用并行计算，可大幅度节约特征提取花费时间；也可将神经网络的训练部署在分布式平台上，采用同步并行或异步并行方式训练神经网络，可以极大地提高运算能力，更快的得到需要的网络，实现了计算资源的灵活配置。
(3)、本发明为辐射源识别个体识别提供了一种新的思路，本发明中采用的几种不同的特征提取和特征联合使用的方法对其他辐射源个体识别，如电台、雷达、wifi等也具有很好借鉴意义。
附图说明
图1是本发明一种基于双谱特征和深度学习的手机个体识别方法流程图；
图2是gsm手机信号采样接收设备连接实物及示意图；
图3是i路信号部分截图和暂态、稳态部分展示；
图4是6部手机信号的rib特征投影到二维的示意图展示；
图5是6部手机信号的aib特征投影到二维的示意图展示；
图6是6部手机信号的cib特征投影到二维的示意图展示；
图7是6部手机信号的sib特征投影到二维的示意图展示；
图8是6部手机个体256维双谱特征的二维嵌入分布图；
图9是cnn网络结构；
图10是6部手机个体的分类识别结果。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：
agc(automaticgaincontrol)：自动增益控制；
rib(radialintegralbispectra)：径向积分双谱；
aib(axialintegralbispectra)：轴向积分双谱；
cib(circumferenceintegralbispectra)：圆周积分双谱；
sib(squareintegralbispectra)：矩形积分双谱；
pca(principalcomponentanalysis)：主成分分析；
cnn(convolutionneuralnetwork)：卷积神经网络；
bn(batchnormalization)：批规范化；
earlystopping：提前终止；
validationdata：验证数据集；
overfitting：过拟合。
图1是本发明一种基于双谱特征和深度学习的手机个体识别方法流程图。
在本实施例中，如图1所示，本发明一种基于双谱特征和深度学习的手机个体识别方法，包括以下步骤：
s1、对待识别的手机个体采样
在手机通话阶段，使用ad9361软件无线电平台对待识别的手机个体采样，采样频段设为888～908mhz，采样频率设置为fs＝56mhz；其中，设待识别的手机个体共6个，分别对每个手机进行采样；
在本实施例中，如图2所示，ad9361平台对上行gsm频段手机个体进行采样，采样对象为两个手机品牌，nokia手机3部，型号为1682c，福中福手机3部，型号为f688d，gsm天线作为采样平台的信号接收端，采样数据保存成二进制文件，每次采样2g数据，每部手机分时采样5次，最终得到60g的原始样本数据，再从60g的原始样本数据中抽取6000组采样数据，其中每部手机抽取1000组采样数据；
s2、采样数据预处理
将6000组采样数据依次通过pcie实时传输到pc机上，再对采样数据进行解帧和重组，得到i、q两路数据信号。
s3、获取数据样本集
计算i、q两路数据信号的模值，挑选出i、q两路数据信号中数据长度等于l＝5000且模值大于预设阈值1000的数据信号，再将这些数据信号对应的采样数据保存在数据样本集s{n}中，n表示数据样本集中采样数据的个数，n≤6000；
在本实施例中，图3为i路信号部分截图，信号可以分为噪声部分、暂态信号部分，稳态信号部分，本实施例的目的是提取信号的稳态部分，其中阈值1000的取值是根据ad9361采样设备的agc设置得到，具体实施应该根据采样设备的增益大小做适当的调整。
s4、求取样本特征集y
s4.1、计算数据样本集s{n}中每个采样数据的双谱
s4.1.1、将每一个长度为l＝5000的采样数据分成k＝98段，保持相邻数据段重叠部分为t％＝8％，每段数据长度为
s4.1.2、计算第i段数据的dft系数xi(λ)：
s4.1.3、计算fft序列的三阶相关
其中，λ1,λ2是频域的相关变量，满足：0≤λ2≤λ1,λ1+λ2≤fs/2；l1的取值满足
s4.1.4、计算每个采样数据的双谱b(ω1,ω2)：
其中，
s4.2、计算每个采样数据的径向积分双谱prib(α)
其中，ω1＝2πf1，ω2＝2πf2，α为常数；出于聚类可视化的目的，通过pca将径向双谱高维特征降维到二维，径向双谱特征投影到二维的展示如图4所示；
s4.3、计算每个采样数据的轴向积分双谱aib(ω)
其中，
s4.4、计算每个采样数据的圆周积分双谱cib(α)
cib(α)＝∫bp(α,θ)dθ
其中，bp(α,θ)是双谱b(ω1,ω2)的极坐标表示；出于聚类可视化的目的，通过pca将圆周双谱高维特征降维到二维，圆周双谱特征投影到二维的展示如图6所示；
s4.5、计算每个采样数据的矩形积分双谱sib(ω)
其中，sl表示围线积分路径；出于聚类可视化的目的，通过pca将矩形双谱高维特征降维到二维，矩形双谱特征投影到二维的展示如图7所示；
s4.6、将四种积分双谱按照sib(ω)、prib(α)、cib(α)和aib(ω)的顺序依次排列，组合成样本特征集y；在本实施例中，四种积分双谱均为64维，那么依次排列组合后得到256维样本特征集y,样本特征集y投影到二维的展示如图8所示；
s5、在本实施例中，卷积神经网络(cnn)模型是由2层卷积层，2层池化层和1层全连接层，总共5层网络组成的，如图9所示，卷积神经网络各层设置如下：
第一层：卷积层，6个卷积映射，卷积核大小为1*5；
第二层：池化层，6个池化映射，池化因子大小为1/2；
第三层：卷积层，6个卷积映射，卷积核大小为1*5；
第四层：池化层，6个池化映射，池化因子大小为1/2；
第五层：全连接层，神经元个数为366；
在网络训练过程中，采用了batchnormalization和earlystoping加快训练过程，在第4层和第5层之间添加了batchnormalization操作，在每一个完整数据集迭代训练结束时，计算validationdata的准确率，当准确率不再提高时，就停止训练。
将样本特征集y分为训练特征集ytrain和测试特征集ytest后，先利用训练特征集y训练卷积神经网络，再利用训练后的卷积神经网络对测试特征集ytest进行分类决策，最终输出手机个体识别结果，得到训练完成的卷积神经网络；
s6、实时采集手机个体的采样数据，按照步骤s1-s4所述方法处理后输入至训练完成的卷积神经网络，输出手机个体识别结果。
图10是6个手机个体的分类识别结果，结果表明，经过多次试验，平均识别率达到99％左右，验证了本发明提出识别方案的正确性和有效性，这也为增强认知无线电网络安全性从物理层认证提供了实用方案。
本发明中，手机个体信号采集过程是一个非常重要的环节。由于提取的个体细微的杂散特征，为保证较高的个体识别准确率，需要注意两点，一是采样设备本身最好不要引入太多噪声，因此较高精度的采样设备是必须的；二是采样率要保证是信号带宽的3～5倍。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。