指纹特征提取方法及身份检测方法和辐射源识别校正方法与流程

本发明属于卫星通信安全技术领域，特别涉及一种相位预测误差指纹特征提取方法及基于该特征的用户身份检测方法和辐射源识别校正方法。

背景技术：

卫星通信系统中，特定辐射源识别(sei,specificemitteridentification)，又称辐射源指纹识别，即通过提取射频信号上能够体现辐射源个体差异的细微特征，实现对目标个体的识别。由于射频指纹(rff,radiofrequencyfingerprinting)特征不依赖通信内容，且难以伪造，因而在无线网络安全和通信侦察对抗等民用和军事领域均具有重要的应用价值。

sei的核心技术在于发现并提取准确有效的rff特征。根据来源不同，现有的特征主要可以分为以下两大类：推测(inferred)特征和预定(predefined)特征。顾名思义，前者不具备明确的物理意义，是在处理的过程中根据个体差异推测得到的；而后者则是根据已知的特征机理预先定义得到的。推测特征主要是利用数学变换的方法得到的。起初，采用分形的方法检测并识别暂态信号；后来，小波变换、高阶谱、希尔伯特-黄变换等方法也逐渐被应用于指纹特征的提取。与推测特征相比，预定特征则更易于理解。brik等人设计了无源辐射装置识别系统(paradis,passiveradiometricdeviceidentificationsystem)，从星座图上提取了包括相位错误、幅度错误、i/q原点偏置等6种调制域特征，对138个无线设备的识别率超过了99％；还有分别将功率放大器系数和振荡器相位噪声指数作为指纹特征，均实现了辐射源个体识别。尽管rff特征的提取方法繁多，但现有方法均缺乏对时分多址(tdma,timedivisionmultipleaccess)信号特点的针对性思考，特别是在信噪比较低或突发较短的情况下，现有特征的提取精度往往较低，从而导致识别效果不佳。

技术实现要素：

为此，本发明提供一种相位预测误差指纹特征提取方法及基于该特征的用户身份检测方法和辐射源识别校正方法，提出以相邻时隙在载波相位上的连续性作为指纹特征，利用该特征判断相邻时隙用户身份是否相同并以此作为先验信息，对原有识别结果进行校正，识别率得到有效提升。

按照本发明所提供的设计方案，一种相位预测误差指纹特征提取方法，包含如下内容：获取通信网络终端突发数据，对突发数据中每个时隙的接收信号进行参数估计；依据每个时隙的参数估计结果，获取该时隙的相位预测误差。

上述的，对突发数据中每个时隙的接收信号，经过匹配滤波后获取其基带复信号，依据基带复信号进行参数估计，获取当前时隙和上一时隙两者的载波初相、剩余频偏和传输时延。

优选的，结合采样率获取每个时隙相位差，依据相位模糊的最小角度对每个时隙的相位差进行修正；依据每个时隙调整修正后的相位差的取值范围，获取对应时隙的相位预测误差。

一种基于相位预测误差指纹特征的用户身份检测方法，包含如下内容：

依据上述的提取方法获取突发数据中每个时隙的相位预测误差；

汇总设定时间段内的多个时隙的相位预测误差，得到相位预测误差向量；

依据升序相位预测误差向量绘制曲线，获取检测门限；并依据检测门限对相邻时隙的用户身份进行检测。

上述的，对相位预测误差向量进行取绝对值并排序，得到升序误差向量，依据升序误差向量绘制曲线图；根据概率密度函数获取拟合曲线的均方误差，通过获取拟合曲线的最小均方误差，获取拐点元素，依据拐点元素的序号及取值，获取检测门限。

一种基于相位预测误差指纹特征的辐射源识别校正方法，包含如下内容：

依据上述的检测方法获取用户身份的检测结果；

以用户身份检测结果，作为先验信息；依据先验信息对辐射源原有识别结果进行校正，将校正后结果作为该辐射源的最终识别结果。

上述的，依据先验信息，通过置信度累积对原有识别结果进行校正，该校正过程包含如下内容：将数据帧中每个时隙的指纹特征，输入至分类器进行识别，获取分配给同一用户的连续时隙的置信度矩阵；依据置信度矩阵，对每个用户的置信度叠加，获取总置信度；选择总置信度最大的用户作为连续时隙校正后的结果。

上述的，依据先验信息，通过数据累积对原有识别结果进行校正，该校正过程包含如下内容：对分配给同一用户的连续时隙的数据进行标准化处理，获取连续时隙的累积数据；将该连续时隙的累积数据作为整体，提取指纹特征，再进行用户身份识别，将该识别结果作为连续时隙校正后的结果。

本发明的有益效果：

本发明提出了一种新的tdma信号射频指纹特征并将其应用于特定辐射源的识别，该特征利用相邻时隙在载波相位上的连续性，根据载波相位的连续与否，判断相邻时隙的用户身份是否相同，从而揭示了相邻时隙之间的潜在联系，使得每个突发时隙的sei不再是一个个独立的事件，而存在某种校验关系，将上述潜在联系作为先验信息，对某些识别错误的时隙进行校正，改善识别效果。仿真实验表明，通过识别校正，能够较好地改善识别效果，辐射源识别性能更加稳定、可靠，具有较强的实际应用价值。

附图说明：

图1为实施例中指纹特征提取方法的流程图；

图2为实施例中用户身份检测方法的流程图；

图3为实施例中辐射源识别校正方法的流程图；

图4为实施例中tdma信号时隙分配示意图；

图5为实施例中直接变频发射机结构示意图；

图6为实施例中升序误差向量曲线示意图；

图7为实施例中不同门限下的检测性能示意图；

图8为实施例中不同信噪比下漏检和虚检概率示意图；

图9为实施例中不同信噪比下的识别校正性能示意图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

针对目前射频指纹特征提取过程中，缺乏时分多址信号特点的针对性考虑，导致提取精度较低、识别效果不佳等情形。本发明实施例，参见图1所示，一种相位预测误差指纹特征提取方法，包含如下内容：获取通信网络终端突发数据，对突发数据中每个时隙的接收信号进行参数估计；依据每个时隙的参数估计结果，获取该时隙的相位预测误差。

上述的，对突发数据中每个时隙的接收信号，经过匹配滤波后获取其基带复信号，依据基带复信号进行参数估计，获取当前时隙和上一时隙两者的载波初相、剩余频偏和传输时延。

优选的，结合采样率获取每个时隙相位差，依据相位模糊的最小角度对每个时隙的相位差进行修正；依据每个时隙调整修正后的相位差的取值范围，获取对应时隙的相位预测误差。

基于上述的指纹特征提取方法，本发明实施例还提供一种基于相位预测误差指纹特征的用户身份检测方法，参见图2所示，包含如下内容：

依据上述的提取方法获取突发数据中每个时隙的相位预测误差；

汇总设定时间段内的多个时隙的相位预测误差，得到相位预测误差向量；

依据升序相位预测误差向量绘制曲线，获取检测门限；并依据检测门限对相邻时隙的用户身份进行检测。

上述的，对相位预测误差向量进行取绝对值并排序，得到升序误差向量，依据升序误差向量绘制曲线图；根据概率密度函数获取拟合曲线的均方误差，通过获取拟合曲线的最小均方误差，获取拐点元素，依据拐点元素的序号及取值，获取检测门限。

基于上述的指纹特征提取方法和用户身份检测方法，本发明实施例还提供一种基于相位预测误差指纹特征的辐射源识别校正方法，参见图3所示，包含如下内容：

依据上述的检测方法获取用户身份的检测结果；

以用户身份检测结果，作为先验信息；依据先验信息对辐射源原有识别结果进行校正，将校正后结果作为该辐射源的最终识别结果。

上述的校正过程，可通过如下内容实现：依据先验信息，通过置信度累积对原有识别结果进行校正，该校正过程包含如下内容：将突发数据中每个时隙的指纹特征，输入至分类器进行识别，获取分配给同一用户的连续时隙的置信度矩阵；依据置信度矩阵，对每个用户的置信度叠加，获取总置信度；选择总置信度最大的用户作为连续时隙校正后的结果。

上述的校正过程，或通过如下内容实现：依据先验信息，通过数据累积对原有识别结果进行校正，该校正过程包含如下内容：对分配给同一用户的连续时隙的数据进行标准化处理，获取连续时隙的累积数据；将该连续时隙的累积数据作为整体，提取指纹特征，再进行用户身份识别，将该识别结果作为连续时隙校正后的结果。

本发明中，对每个时隙的接收信号进行参数估计，估计得到频偏、初相和时延，计算每个相邻时隙的相位预测误差，汇总得到升序误差向量；根据概率密度函数获取拟合曲线的均方误差，通过获取拟合曲线的最小均方误差，得到检测门限，进而完成用户身份的检测；将原有识别结果与用户身份检测结果进行对照，若识别结果存在错误，则利用置信度/数据累积的方法进行校正；反之，则无需校正。结合相邻时隙之间的潜在联系作为先验信息，对原有识别结果进行校正，改善特定辐射源的识别效果，提高识别精度和效率。

在卫星通信系统中，tdma的接入方式被广泛使用。在通信网络内部，每个终端以突发的形式发送数据，多个终端通过时隙分配的方式复用同一载波，时隙分配的规律如图4所示。突发数据是按照帧、时隙的层级结构进行组织管理的，整体呈现为帧的周期性，每帧之内分为若干时隙，时隙按照某种规律分配给网络中的多个终端，相邻时隙之间留有一小段的保护间隔。在通信网络内部，每个终端都具备独立的调制解调器和收发天线。这就意味着每个终端即为一个辐射源。目前，直接复调制已然成为部署发射机信号链的首选架构。这种技术通过模拟正交调制器(aqm,analogquadraturemodulator)直接将数/模转换器(dac,digitaltoanalogconverter)输出的i/q信号调制到射频载波上，从而摆脱其间的中频阶段和相关的滤波器，这种结构的发射机称之为直接变频发射机，典型结构如图5所示。

辐射源的指纹特征往往是由发射机电路结构的不完美造成的。如图4所示，时隙按照某种规律分配给多个终端，相邻时隙之间留有一小段的保护间隔。由于时隙之间的保护间隔较短，当相邻时隙分配给同一用户时，发射机的数字时钟以及aqm的本振仍会保持既定的工作状态。因此，分配给同一用户的相邻时隙在载波相位上具有连续性——这正是由图5中直接变频发射机的电路结构导致的。显然，当相邻时隙分配给不同用户时，不同发射机的工作状态的差异将使得这一现象几乎不会存在。相邻时隙的载波相位的连续与否，也就意味着相邻时隙分配给的用户是否相同，这就为检测相邻时隙的用户身份提供了依据。

设一帧包含s个时隙，对于第i(i＝2,3,…,s)个时隙，则经过匹配滤波后的基带复信号可以表示为：

其中，f为剩余频偏，θ为载波初相，τ为传输时延，{ck}为发送符号序列，t0为符号周期，g(t)为基带脉冲波形，ω(t)为复高斯白噪声。

为了衡量相邻时隙在载波相位上的连续性，本发明的在一个实施例中，通过全新的rff特征指标：相位预测误差即当前时隙的实际载波初相与根据上一时隙推算得到的理论载波初相之间的预测误差。定义相位差δi：

δi＝2πfi-1(ti-ti-1)+θi-1-θi(2)

其中，ti-1和ti分别表示第i个和第i-1个时隙的初始时刻。需要说明的是，这里的“起始时刻”指的是当前时隙的首个符号c0对应的最佳采样时刻。为了不破坏载波相位的连续性，在计算δi时需要保持接收信号既定的时间关系，即：

δi＝2πfi-1(ni+τi-ni-1-τi-1)/fs+θi-1-θi(3)

其中，fs为采样率，ni-1和ni分别表示第i个和第i-1个时隙的首个采样点所在的位置。考虑到i/q正交调制在接收端会存在相位模糊的情况，对δi进行修正得到：

其中，xmody表示x模y的余数，ψ表示相位模糊的最小角度(特别地，qpsk调制的)。将取值范围调整为最终得到第i个时隙的相位预测误差：

用户身份检测的目标就是检测判决相邻时隙是否分配给同一用户。用h0表示相邻时隙分配给不同用户，h1表示相邻时隙分配给同一用户，则用户身份检测问题可以表示为以下二元假设检验模型：

其中，idi-1和idi分别表示第i个和第i-1个时隙的用户身份。

采用相位预测误差作为检测统计量x。在h1的情况下，由于载波相位具有连续性，的取值接近于0；反之，的取值随机分布于区间之内。由于不同时隙的相位预测误差相互独立，则检测统计量x服从以下分布：

即在h0的情况下，x服从均匀分布；在h1的情况下，x服从均值为0、方差为σ²的高斯分布。则概率密度函数为：

值得注意的是，与常规的检测问题略有不同，式(8)中的方差σ²是未知的，其数值与信道噪声和发射机特性有关。

设信号的观察时间为l帧，每帧包含s个时隙，令表示第j(j＝1,2,…,l)帧的第i(i＝2,3,…,s)时隙的相位预测误差，则该l帧信号的相位预测误差向量可以表示为：

其维数为l(s-1)×1。由于向量中的元素服从式(7)中的分布，根据中心极限定理，对于较大的l，可以通过统计的方法估计得到方差σ²。

对向量中的每个元素取绝对值，并将元素按照升序排列，得到升序误差向量图6给出了一段实际信号的升序误差向量曲线，其中横轴是元素的取值，纵轴是元素的序号。对于图6的曲线上坐标为(x,y)的点，其物理意义为在l(s-1)次蒙特卡洛实验中，的取值落在区间[0,x]之内的次数为y。当实验次数l(s-1)足够大时，升序误差向量曲线与概率密度函数的积分曲线近似吻合，如图6所示，这也侧面印证了式(7)中分布的合理性。此外，由图6可以发现：对于h0和h1两种情况，其对应元素的取值明显分为两部分。因此，曲线拐点处元素的取值即可作为检测门限。

设曲线拐点处元素的编号为n0(n0＝1,2,…,l(s-1))，则检测门限根据高斯分布的“3σ准则”，的取值落在区间(-3σ,3σ)之内的概率为99.74％。因此，我们有理由近似地认为满足h1情况的相邻时隙个数为n0，且得到方差σ²的估计值：

进一步，利用向量中的前n0个元素可以得到h1段曲线(x∈[0,3σ))的拟合表达式：

其拟合的均方误差可以表示为：

为了防止溢出，令至此，如何设定检测门限已经转化为最小拟合误差的优化问题，则：

根据上述分布，对于给定的检测门限γ，漏警概率和虚警概率的表达式分别为：

由“3σ准则”得，检测概率pd≈99.74％，故pm≈0.26％；而对于特定的调制方式(ψ的取值固定)，pf仅与标准差有关。

针对tdma信号的sei，现有做法是分别对每个突发时隙提取特征并进行识别。然而，在信噪比较低或突发较短的情况下，指纹特征的提取精度往往较低，从而导致识别效果不佳。本发明中，根据载波相位的连续性得到了相邻时隙的用户身份，并以此作为先验信息，对原有的识别结果进行校正，进而提高识别性能。假设通信网络中有u个用户，已知某帧之内有连续v(v＝2,3,…,s)个时隙分配给同一用户，记该v个时隙的原有识别结果为rv×1，当向量r的v个元素不完全相同时，原有的识别结果存在错误。针对上述情形，本发明的再一个实施例中给出识别校正方法。sei的本质是模式识别问题：对于输入的指纹特征，分类器依据某种准则计算出识别为不同类别的置信度，通过比较置信度的大小得到识别结果。令pv×u表示分配给同一用户的连续v个时隙的置信度矩阵，其中第v(v＝1,2,…,v)行第u(u＝1,2,…,u)列元素pv,u为第v个时隙被识别为第u个用户的置信度，且满足由于识别结果中存在错误，识别校正的关键在于成功区分哪些结果是正确、哪些结果是错误的，进而对错误的结果进行校正。从统计的角度上看，在上述连续v个时隙中，识别正确的个数以较大概率不小于识别错误的个数，且识别正确的最大置信度以较大概率大于识别错误的最大置信度。对每个用户的v个时隙的置信度累加，得到第u个用户的总置信度：

对于识别结果正确的情况，式(15)通过累加将其在个数和最大置信度上的优势结合起来，进一步放大了错误与正确之间在总置信度上的差异。因此，可以将原有的识别结果校正为：

即选择总置信度最大的用户作为上述连续v个时隙校正后的识别结果id′。

rff特征的提取本质是参数估计问题，特征的提取精度与信噪比和数据量有关。本发明的又一个实施例中，通过增加数据量的方式提高特征的提取精度，从而对原有识别结果进行校正。不失一般性，假设采用现有技术中的paradis算法提取指纹特征。由于paradis算法是从星座图上提取调制域特征，其处理对象是最佳采样序列；相应地，在该实施例的识别校正算法中，数据累积的对象即为每个时隙的最佳采样序列。设向量cv表示第v个时隙的归一化最佳采样序列，则上述连续v个时隙的累积数据为：

由于cv已经消除了幅度、频率、相位(包括相位模糊)的影响，累积数据c可以视为一个整体，重新进行利用paradis算法提取指纹特征，并将识别结果作为上述连续v个时隙校正后的识别结果id″。

对比上述的两种识别校正方法可以发现：与基于数据累积的校正方法相比，基于置信度累积的校正方法直接对置信度矩阵进行处理，仅涉及简单的加法和比较，无需重新进行特征提取和分类识别，计算复杂度小。

为进一步验证本发明的有效性，下面通过仿真实验做进一步解释说明：

将分别对上述实施例中的用户身份检测和识别校正两个步骤进行仿真实验。由于仿真信号难以有效地模拟tdma信号相邻时隙之间潜在的特征联系，实验中采用实际接收的tdma信号作为研究对象。信号的调制方式为qpsk，观察时间为122帧，每帧包含有9个等长的时隙，时隙并按照某种未知规律分配3个不同的用户。

由于所用实际信号的信噪比较高，通过仿真的方式对其添加高斯白噪声，以此模拟不同信噪比的场景并测试检测算法的性能。实验所用信号共有122×9＝1098个时隙，相邻时隙的个数为122×8＝976，其中满足h0情况的相邻时隙个数为326，满足h1情况的相邻时隙个数为650。实验中，在每个信噪比下进行蒙特卡罗实验100次。为了衡量检测性能，定义检测正确率为

其中，nm和nf分别表示漏检个数和虚检个数。

首先，仿真验证了检测门限的合理性。由于门限的取值因信号而异，同一信噪比下多次实验的门限数值并不完全相同，因此，难以从数值上对门限的波动进行描述。考虑到算法中将曲线拐点n0处的元素取值即可作为检测门限，实验中利用相对于拐点位置的偏移刻画门限的波动，以拐点附近处不同元素的取值作为对比门限，对检测门限的合理性进行验证。图7给出了不同门限下的检测性能，其中纵轴是平均检测正确率，横轴是相对于拐点位置的偏移点数，横坐标x对应的门限为从图中可以看出，在信噪比为10、14、18和22db的情况下，平均检测正确率的最大值分别位于偏移点数为-1、-1、0和1处。这就证明式(13)能够准确定位曲线的拐点，检测门限与最佳门限非常接近，是合理且准确的。

表1不同信噪比下的检测性能

其次，仿真验证了用户检测的有效性。表1给出了不同信噪比下的检测性能。第2～4列分别是平均检测门限平均检测概率和平均检测正确率从表1中可以看出，随着信噪比的增加，逐渐降低，和均逐渐提高，且在不同信噪比下始终维持在理论值99.74％附近。此外，图8给出了不同信噪比下的漏检和虚检概率，其中漏检概率pm的理论值曲线为直线，其数值始终为0.26％；虚检概率pf的理论值曲线根据表1中的代入式(14)计算得到的。从图中可以看出，漏检概率pm的实际值始终维持在一个很低的水平，且与理论值吻合良好，这就说明本文算法能够准确地找出曲线的拐点位置，且检测门限在不同信噪比下均具备良好的自适应能力。与pm相比，虚检概率pf较高，随着信噪比的增加逐渐减少，且与理论值基本吻合，这是因为在h0的情况下，相位预测误差均匀分布于整个区间范围，无论如何设定检测门限，虚检是必然存在的；随着信噪比的增加，检测门限逐渐降低(见表1)，虚检概率也随之降低。

总之，由于相位连续性特征对噪声具备较好的鲁棒性，在不同信噪比下，本发明中的检测正确率始终可以达到97％以上。这足以充分相信其检测结果，在后续的识别校正实验中不必纠结于是否需要对虚检和漏检的情况进行特殊处理。

通过仿真方式对实际信号添加高斯白噪声，以此模拟不同信噪比的场景。首先，不失一般性，我们采用现有技术中的paradis算法提取指纹特征，特征向量由相位错误、幅度错误、错误矢量幅度和i/q原点偏置等组成。在特征提取完成之后，将实际信号分为两组，前61帧(共549个时隙)用于训练，后61帧用于测试，采用基于径向基(rbf,radialbasisfunction)核函数的支持向量机(svm,supportvectormachine)进行训练并识别，得到后61帧的识别结果。然后，对后61帧信号提取相位预测误差特征，并检测其用户身份。最后，分别利用上述的两种识别校正方法对后61帧的识别结果进行校正。实验中，在每个信噪比下进行蒙特卡罗实验100次。

图9中不同信噪比下的识别校正性能，从图中可以看出，与原有识别结果相比，经过两种校正方法后的识别结果均有了明显改善。这是由于校正算法将相邻时隙的用户身份作为先验信息，因此，相邻时隙的用户身份识别不再是一个个独立的事件，而存在某种校验关系。这就使得部分错误的识别结果得到校正，从而提高了识别的正确率。此外，与基于置信度累积的校正方法相比，基于数据累积的校正方法在识别率的提高上更为明显，特别是在信噪比较低的情况下。这是因为在信噪比较低的条件下，前者存在置信度普遍恶化的情况，即使累积也难以奏效；而后者通过增加数据量的方式提高了指纹特征的提取精度，从而获得了较好的识别效果。当然，后者需要重新进行特征提取和分类识别，不及前者简单灵活。

针对tdma信号的sei，本发明提出的射频指纹特征对噪声具备良好的鲁棒性，基于该特征的用户身份检测方法和辐射源识别校正方法，能够较好地改善识别效果，对卫星通信的安全技术具有重要指导意义。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。