一种基于射频指纹的无人机身份认证方法与流程

本发明涉及信息安全领域，尤其涉及一种基于射频指纹的无人机身份认证方法。

背景技术：

无人机最早出现于20世纪20年代，自其诞生以来，依靠其低廉的价格，高度的灵活性，可远程操控等特点，迅速在多个领域流行起来。同时随着无人机应用的普及化，无人机的市场规模也一直保持着持续的增长。

无人机按照不同的结构来分，主要有三大类，分别是无人直升机、固定翼无人机和多旋翼无人机。除此之外，还包括一些其他类型的无人机，包括伞翼无人机、无人飞船等。此外，按照不同的使用领域，无人机可以分为军用无人机、民用无人机以及消费级无人机。这三类无人机由于其使用领域及造价不同，其性能要求也各不相同。这些领域包括了军用的侦察机、靶机，民用的航拍、快递运输、救灾等方面。本文所关注和研究的对象是广泛用于消费领域和民用领域的小型无人机，其体型较小，起飞重量偏低，但操纵灵活，使用方便，不需要经过正规训练，即可快速上手使用。同时由于其成本较低，使用量越来越大。这种民用小型无人机的广泛应用，极大的便利了人们的生活和工作。另一方面，由于小型无人机具有高度的灵活机动性，使其可以随意地出入各种私人，公共场所，利用其自身携带的高清摄像头，肆意进行拍摄，造成隐私的泄露，影响正常的公共秩序。

无人机通过无线通信技术进行远距离信息交互，通常情况下，低成本的小型无人机会使用基于ieee802.11的wi-fi技术将自身拍摄的视频和照片实时传送回控制端，控制端与无人机之间会使用跳频技术来发送和接收控制信号，对无人机的行为进行操控。由于无人机的跳频序列在出厂之后就是固化的，且为了成本考虑，跳频序列较短，这使得攻击者可以通过对跳频信号进行攻击来获取对无人机的控制权。为了能够实现对无人机的安全监控，一方面需要基于无人机的控制和图传信号掌握其无人机信号的具体来源，另一方面要防止攻击者恶意获取无人机权限后进行违法犯罪活动。因此，需要有一种机制能够实现在非合作情况下对无人机的身份进行识别，从而区分合法和违法的无人机，提高管控的效率。

与此同时，针对无线通信设备的射频指纹身份识别技术正处于蓬勃发展时期。所谓射频指纹是指，在制造无线通信设备的过程中，保证产品合格的前提下，在射频电路上依然会存在微小的随机性的瑕疵。这些瑕疵具有唯一性，且在较长时间内都会保持不变，最终会导致不同设备所发送的射频信号具有不同的特征，这些特征也同样具有唯一性和不变性，类似于生物的指纹可唯一地标识某个个体。这些特征即为射频指纹。由于射频指纹是基于设备射频电路自身所带有的特性，基于射频指纹的识别技术不存在额外的能量消耗。此外，射频指纹同时具备唯一性和不变性，因此可以有效地实现对无线通信设备进行身份认证。而无人机正是采用无线通信进行信息交互，基于射频指纹技术的无人机身份认证具备极大的可行性，且可以有效地识别无人机的身份，在提升安全性的基础上，进一步提高管控的效率。

技术实现要素：

发明目的：本发明针对现有技术存在的问题，提供一种基于射频指纹的无人机身份认证方法，通过从接收到的射频信号中提取稳定的dctf(differentialconstellationtracefigure差分星座轨迹图)，并提取dctf中的haar-like特征，作为每台无人机唯一的射频指纹特征，基于得到的无人机射频指纹特征，可以对需要进行认证的无人机身份进行识别和认证。

技术方案：本发明所述的基于射频指纹的无人机身份认证方法包括：

(1)接收多个已认证安全的无人机发射的图传信号和控制信号，通过预处理去除掉其中只包含噪声的区域，得到有效信号和噪声混杂在一起的多个有效信号区域；

(2)从每个有效信号区域中提取dctf；

(3)提取dctf的haar-like特征，作为对应无人机的射频指纹；

(4)分别采用从图传信号提取出的射频指纹和从控制信号提取出的射频指纹进行svm分类器训练，得到针对图传信号和控制信号的svm分类器并进行保存；

(5)当有无人机需要身份认证时，根据接收信号提取该无人机的射频指纹，并使用训练好的svm分类器对射频指纹进行识别，实现无人机身份认证。

进一步的，步骤(1)中所述预处理的步骤包括：

对于接收信号，通过自适应三角阈值法计算只包含噪声信号的无效信号区域和包含了有效信号和噪声信号的有效信号区域之间在幅度上的阈值；再通过设置所述阈值去除掉其中只包含噪声信号的区域，获取有效信号区域。

进一步的，步骤(2)中提取dctf的步骤包括：

对有效信号区域的控制信号依次进行以下处理：快速傅立叶变换、频点定位、频谱搬移、滤波、数据归一化、iq偏移和差分计算，之后将星座图划分为网格，统计落在每个网格区域内信号点的数量，并按照数量进行着色，形成dctf；

对有效信号区域的图传信号依次进行以下处理：数据归一化、iq偏移和差分计算，之后将星座图划分为网格，统计落在每个网格区域内信号点的数量，并按照数量进行着色，形成dctf。

进一步的，步骤(4)中训练svm分类器时，对于n台无人机，采用每两台无人机的接收信号训练一个子svm分类器，共得到n×(n-1)个子svm分类器，再汇总子svm分类器的结果作为svm分类器的识别结果。

进一步的，步骤(5)中对无人机进行身份认证时，采用步骤(4)训练得到的n×(n-1)个子svm分类器分别对无人机的射频指纹进行识别，然后选择数量最多的结果作为最终的身份认证结果。

有益效果：本发明与现有技术相比，其显著优点是：本发明基于无人机的dctf的haar-like特征进行无人机的身份识别。该方法不同于现有的针对无人机的身份认证算法，具有不需要获得无人机射频信号的先验知识和适用性强的特点。而且，通过对获取的dctf中特定区域提取haar-like特征，可以得到无人机的射频指纹，作为无人机的身份认证特征向量。该特征向量相对于dctf，剔除掉了dctf中容易受到噪声信号影响的部分。同时由于特征计算过程中，是使用相邻像素的相对像素值，对从反射信号中提取的射频指纹依然可以保持不产生大的变化，具有较好的稳定性，可以在复杂信道条件下对无人机进行稳定地身份认证。

附图说明

图1是本发明的流程示意图；

图2是本发明中从射频信号中提取dctf的流程示意图；

图3是haar-like全部的特征模板示意图；

图4是以四台无人机为列，使用svm进行无人机身份认证的原理框图；

图5是图传信号的dctf；

图6是控制信号的dctf；

图7是基于本发明方法的人工加入高斯白噪声后的实验结果示意图。

具体实施方式

本实施例公开了一种基于射频指纹的无人机身份认证方法如图1所示，包括以下步骤：

(1)接收多个已认证安全的无人机发射的图传信号和控制信号，通过预处理去除掉其中只包含噪声的区域，得到有效信号和噪声混杂在一起的多个有效信号区域。

其中，预处理的步骤具体为：对于接收信号，通过自适应三角阈值法计算只包含噪声信号的无效信号区域和包含了有效信号和噪声信号的有效信号区域之间在幅度上的阈值；再通过设置所述阈值去除掉其中只包含噪声信号的区域，获取有效信号区域。

(2)从每个有效信号区域中提取dctf。

具体提取步骤如图2所示，步骤包括：对有效信号区域的控制信号依次进行以下处理：快速傅立叶变换、频点定位、频谱搬移、滤波、数据归一化、iq偏移和差分计算，之后将星座图划分为网格，统计落在每个网格区域内信号点的数量，并按照数量进行着色，形成dctf；对有效信号区域的图传信号依次进行以下处理：数据归一化、iq偏移和差分计算，之后将星座图划分为网格，统计落在每个网格区域内信号点的数量，并按照数量进行着色，形成dctf。

例如，假设接收到的信号为r(t)，对其进行模数转换后得到r(k),k＝1,2,3,...，信号r(k),k＝1,2,3,...表示为复数形式为：

r[k]＝ri[k]+jrq[k],k＝1,2,3,...

ri[k]表示实部，rq[k]表示虚部。

当设置iq偏移量为n时，偏移后的信号为：

roffset[k]＝ri[k]+jrq[k+n]，k＝1,2,3,...

差分计算如下式所示：

r(k)＝roffset[k]·roffset[k+interval]^*，k＝0,1,2,...

之后将星座图划分为网格，统计落在每个网格区域内信号点的数量，并按照数量进行着色，着色规则为：规则为数量越多，灰度值越低。从而形成dctf，图5为从使用wi-fi技术发射图传信号的无人机发射的bpsk编码的beacon帧信号中提取的典型dctf，图6为从同一台无人机的控制器所发射的gmsk编码的跳频控制信号中提取出的典型dctf。其中，图中中心区域，也就是较亮的区域，含有无人机的射频指纹信息。

(3)提取dctf的haar-like特征，作为对应无人机的射频指纹。

获取dctf后，四周颜色较深的区域只含有很少的无人机射频指纹信息，为了减少计算量和降低射频指纹的维度，所以只对中心区域提取haar-like特征。提取的范围在提取dctf参数固定的情况下，也是固定的，可以手动测量获取。同时为了进一步提升计算速度和降低指纹维度，只选择haar-like特征模板组中的四个模板，即图3中编号为f,h,j,l的特征模板。分别使用每个特征模板对中心区域计算haar-like特征向量(具体计算过程为现有技术，不作具体介绍)，最后将四个特征向量串接在一起，即为该dctf的haar-like特征。

(4)分别采用从图传信号提取出的射频指纹和从控制信号提取出的射频指纹进行svm分类器训练，得到针对图传信号和控制信号的svm分类器并进行保存。

针对获取到的信号类别，需要分别训练对应的svm分类器。本发明中涉及到的信号类别有两种，分别为图传信号中包含的使用bpsk编码的beacon帧信号和使用gmsk编码的跳频控制信号。训练svm分类器时，对于n台无人机，采用每两台无人机的接收信号训练一个子svm分类器，共得到n×(n-1)个子svm分类器，再汇总子svm分类器的结果作为svm分类器的识别结果，如图4所示。

(5)当有无人机需要身份认证时，根据接收信号提取该无人机的射频指纹，并使用训练好的svm分类器对射频指纹进行识别，实现无人机身份认证。

其中，对无人机进行身份认证时，采用步骤(4)训练得到的n×(n-1)个子svm分类器分别对无人机的射频指纹进行识别，然后选择数量最多的结果作为最终的身份认证结果。

下面对于本发明的方法进行实际系统测试，具体针对四台无人机进行了实验。四台无人机分别来自于两个品牌的同一个型号。实验先对四台无人机进行训练，获取针对图传信号和控制信号的svm分类器。然后对每台无人机的每种信号采集40组信号，作为身份认证样本。对于这320组信号样本，分别从每个样本中提取出多幅dctf，并计算其haar-like特征，作为信号的射频特征。最后使用对应的svm分类器对每个信号样本的多个haar-like特征进行判别，以数量最多的结果作为该样本的判别结果，给出无人机的身份认证结果。

在实验过程中，使用usrp硬件平台结合gnuradio软件环境接收四台无人机发射的射频信号，并对信号添加不同程度的高斯白噪声，以测试该发明方法的鲁棒性。实验的结果如图7所示。通过对实际接收到的信号中加入不同分贝的高斯白噪声后可以得到，在信噪比不低于26db时，系统可以通过图传信号对无人机达到不低于85％的识别正确率。而在信噪比不低于12db时，系统可以通过控制信号对无人机达到不低于93％的识别正确率。

以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。