一种无线通信设备的指纹融合识别方法及装置与流程

本发明涉及人工智能与信息安全领域，特别是涉及一种无线通信设备的指纹融合识别方法及装置。

背景技术：

随着移动通信设备的不断增加以及物联网技术的发展，无线通信已经成为通信领域至关重要的一节。然而，由于无线网络的开放性，与传统的有线网络相比，无线网络更容易受到攻击，无线网络安全协议通常会存在漏洞，容易受到如统计分析等攻击，目前还没有一套完整实用的安全机制来实现对无线通信设备的身份认证，以用于有效识别授权用户和非授权用户。

现在的无线通信设备的指纹识别方法一般采用基于发射机模拟电路的射频特征或者是基于信道的特征，这就要求发送方所使用的通信设备具有明显的硬件差异，才能根据通信信号提取出设备的硬件特征，否则接收方容易产生误判。此外由于无线信道响应以及周围环境的影响，基于信道的特征方法也会产生误判。

技术实现要素：

为了提高无线通信设备的身份识别及认证的准确率，本发明提供一种无线通信设备的指纹融合识别方法及装置，实现无线通信设备的身份识别以及认证，而同时智能算法的引入和改进，在保证识别和判决效率的基础上，提高了联合判决的准确率，有效降低了单独使用信道指纹或设备指纹进行识别造成的误判率。

为了实现上述目的，本发明一方面提供一种无线通信设备的指纹融合识别方法，包括：

获取并识别无线通信设备的设备指纹和信道指纹；

确定所述设备指纹的载波频偏特征和幅度特征；

分别对所述载波频偏特征和幅度特征进行转置得到第一载波频偏特征和第一幅度特征；

将无线通信信道的冲击响应转化为时间序列，根据所述时间序列确定所述信道指纹的特征向量；其中所述特征向量包括历史特征和未来特征；

在所述第一载波频偏特征和第一幅度特征后加入信道指纹的历史特征和未来特征构成联合特征向量；

对所述联合特征向量进行训练，利用训练后的第一特征向量建立融合指纹库；

获取待识别设备的信道指纹和设备指纹，与所述融合指纹库中的对照指纹进行比较获得判决结果。

可选的，所述确定所述设备指纹的载波频偏特征和幅度特征，进一步包括：

对所述设备指纹的信号进行下变频以及信号补偿，检测并截取可识别信号；

对所述可识别信号进行射频指纹变换，计算所述信号的载波频偏特征和幅度特征。

可选的，所述的对所述第一特征向量进行训练，具体包括：

从采集到的无线通信设备的样本集中抽取n个样例，得到一个大小为n的训练集，n=μm，其中，m为原始样本集的大小，μ为使得所有基学习器结合形成的集成学习器准确率最高的值；

从所述联合特征向量中选取任意的n个特征，根据信息增益从n个特征中选取1个做节点分裂，其中，n=ceil[sqrt(m)]；式中，sqrt为开平方根函数；ceil为向上取整函数；m为联合特征的总个数；

重复做子分割至所有节点分裂完成，形成不同分类性能的基学习器。

可选的，所述的重复做子分割至所有节点分裂完成，形成不同分类性能的基学习器，之后还包括：

重新采集无线通信设备的设备指纹和信道指纹的数据集，作为基学习器的测试集；

将测试集输入到基学习器中，得到每个基学习器对测试集数据正确分类的比率crt，作为相应基学习器的筛选标准；

以crt<λ为标准对基学习器进行筛选，去除性能较差的基学习器，并对所有剩余的基学习器赋予相同的权值，对样本数据进行检测分类并统计，得到总票数最多的类别作为样本数据的最终类别；其中，λ为使得联合判别准确率最高的值。

可选的，所述的将无线通信信道的冲击响应转化为时间序列，根据所述时间序列确定所述信道指纹的特征向量，进一步包括：

通过在冲击响应序列上截取不同时间窗口的数据来构造新的训练数据；

将每组训练数据按历史特征和未来特征进行划分，划分后的每组数据作为一组特征值，将所有特征值组成的集合作为训练集的特征向量。

可选的，在所述的将所有特征值组成的集合作为训练集的特征向量，之后还包括：

对每组训练数据添加对应的预测标签，把所有预测标签合并起来作为训练集的标签。

另一方面，本发明还提供一种无线通信设备的指纹融合识别装置，包括：

第一获取单元，用于获取并识别无线通信设备的设备指纹和信道指纹；

确定单元，用于确定所述设备指纹的载波频偏特征和幅度特征；

转置单元，用于分别对所述载波频偏特征和幅度特征进行转置得到第一载波频偏特征和第一幅度特征；

转化单元，用于将无线通信信道的冲击响应转化为时间序列，根据所述时间序列确定所述信道指纹的特征向量；其中所述特征向量包括历史特征和未来特征；

加入单元，用于在所述第一载波频偏特征和第一幅度特征后加入信道指纹的历史特征和未来特征构成联合特征向量；

练单元，用于对所述联合特征向量进行训练，利用训练后的第一特征向量建立融合指纹库；

第二获取单元，用于获取待识别设备的信道指纹和设备指纹，与所述融合指纹库中的对照指纹进行比较获得判决结果。

在上述无线通信设备的指纹融合识别装置中，可选的，所述确定单元包括：

预处理模块，用于对所述设备指纹的信号进行下变频以及信号补偿，检测并截取可识别信号；

计算模块，用于对所述可识别信号进行射频指纹变换，计算所述信号的载波频偏特征和幅度特征。

在上述无线通信设备的指纹融合识别装置中，可选的，所述转化单元包括：

构造模块，用于通过在冲击响应序列上截取不同时间窗口的数据来构造新的训练数据；

划分模块，用于将每组训练数据按历史特征和未来特征进行划分，划分后的每组数据作为一组特征值，所有特征值组成的集合作为训练集的特征向量。

在上述无线通信设备的指纹融合识别装置中，可选的，所述训练单元包括：

抽取模块，用于从采集到的无线通信设备的样本集中抽取n个样例，得到一个大小为n的训练集，n=μm，其中，m为原始样本集的大小，μ为使得所有基学习器结合形成的集成学习器准确率最高的值；

选取模块，用于从所述联合特征向量中选取任意的n个特征，根据信息增益从n个特征中选取1个做节点分裂，其中，n=ceil[sqrt(m)]；式中，sqrt为开平方根函数；ceil为向上取整函数；m为联合特征的总个数；

分割模块，用于重复做子分割至所有节点分裂完成，形成不同分类性能的基学习器。

本发明相对于现有技术的有益效果是：该指纹融合识别方法通过对基于发射机模拟电路射频特征的设备指纹和基于信道特征的信道指纹进行融合，降低了单独使用信道指纹或设备指纹进行识别造成的误判率；另外，在引入传统的智能分类算法并在此基础上对算法进行改进，在保证原有算法识别效率的基础上，提高了针对设备指纹和信道指纹联合判决的准确率。

附图说明

图1是本发明中一种无线通信设备的指纹融合识别方法的流程图；

图2是本发明的工作框架图；

图3是本发明中一种无线通信设备的指纹融合识别装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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。

参照图1，本实施例提供一种无线通信设备的指纹融合识别方法，包括以下步骤：

s10：获取并识别无线通信设备的设备指纹和信道指纹；

为便于理解，此本实施例以wifi802.11ntl-wdr5620无线路由器为例来说明本发明的方法的具体实施方式，通用软件无线电外设usrp提取和识别路由器的设备指纹。

在另外一些实施例中，也可以以由基于星座轨迹图的设备指纹提取方法来生成，然后传递给联合判决特征向量进行分类识别。

s20：确定所述设备指纹的载波频偏特征和幅度特征；

具体的，将步骤s10中获取的无线通信设备的设备指纹中信号帧的data数据进行分块，分别映射到52个子载波的48个上，其中序号为{-21,-7,7,21}的子载波不承担数据比特，具体包括如下的子步骤：

首先，利用ofdm信号帧物理层帧头的短前导符号kshort64=[-24,-20,-16,-12,-8,-4,4,8,12,16,20]的频谱特征，进行信号帧的捕获；

接着，计算载波频偏特征，

其中，m为计算长度，k∈{-21,-7,7,21}，xi(k)为每个ofdm符号进行fft变换后得到的频谱复向量，avg为取平均值函数，(x)表示计算复数x的相位，[*]表示对括弧中的元素求最接近的整数，{*}表示括弧。

s30：分别对所述载波频偏特征和幅度特征进行转置得到第一载波频偏特征和第一幅度特征；

具体的，将提取到的12组载波频偏特征和幅度特征通过python中的转置函数reshape(-1,1)进行转置，将转置后的幅度特征和频偏特征进行拼接构成一个特征向量作为无线通信设备的设备指纹；

在另外一些实施例中，对提取到的无线通信设备的设备指纹进行训练，并通过python中的模型保存函数dump保存训练模型；

在另外一些实施例中，采集待识别设备的设备指纹与其声称设备的对照指纹进行比较，判断其身份是否匹配。

s40：将无线通信信道的冲击响应转化为时间序列，根据所述时间序列确定所述信道指纹的特征向量；

具体的，在本实施中采集路由器tl-wdr5620的冲击响应，首先在历史数据上通过截取不同时间窗口的数据，然后人为地给每组数据划分历史特征和未来特征。

需要说明的是，在本实施例中历史特征和未来特征的划分依据是是采集数据的时间，当前采集数据的前n-1个数据作为历史数据，第n个数据作为未来数据，其中n为该组数据的长度。

s50：在所述第一载波频偏特征和第一幅度特征后加入信道指纹的历史特征和未来特征构成联合特征向量；

具体的，分别给每组数据构建预测特征，包括历史特征（预测特征a）[0.74980.74840.74710.7457]和未来特征（预测特征b）[0.7444]以及预测target[0]。然后把得到的所有预测特征都合并起来作为训练集特征、把所有预测target合并起来作为训练集target，构建机器学习模型。

s60：对所述联合特征向量进行训练，利用训练后的第一特征向量建立融合指纹库；

在本实施例中，采集路由器tl-wdr5620的样本集m=165，特征个数m=18，具体包括如下的子步骤：

从原始样本集中通过有放回抽样的方式抽取n个样例，得到一个大小为n的训练集，n=1.2m=198，m为原始样本集的大小；

从设备指纹与信道指纹的联合特征向量中选取任意的n个特征，n=ceil[sqrt(m)]=5，m为联合特征的总个数，根据信息增益从5个特征中选取1个做节点分裂；

重复做子分割至所有节点分裂完成，形成不同分类性能的基学习器；

另外需要说的是，在上述得到训练集是以有放回的方式随机选取的，可能会导致所产生的基学习器性能较差，因此需要对训练完成的基学习器进行测试、筛选，综合每个基学习器的投票结果进行最终判决。对基学习器进行筛选的步骤包括：

首先，重新采集无线通信设备的设备指纹和信道指纹的数据集，作为基学习器的测试集；

接着，将测试集输入到基学习器中，得到每个基学习器对测试集数据正确分类的比率crt，作为相应基学习器的筛选标准；

最后，以crt<0.25为标准对基学习器进行筛选，并对所有剩余的基学习器赋予相同的权值，对样本数据进行检测分类并统计，得到总票数最多的类别作为样本数据的最终类别。

s70：获取待识别设备的信道指纹和设备指纹，与所述融合指纹库中的对照指纹进行比较获得判决结果。

本发明所述的一种无线通信设备的融合指纹识别方法的工作框架图如图2所示。待识别无线通信设备发送射频信号，通用软件无线电接收装置通过千兆网线与电脑主机连接采集信号，提取路由器的设备特征和信道特征，建立联合特征向量。改进的智能算法对联合特征进行分类，与指纹库中的对照指纹进行比较得到联合判决结果。

该指纹融合识别方法通过对基于发射机模拟电路射频特征的设备指纹和基于信道特征的信道指纹进行融合，降低了单独使用信道指纹或设备指纹进行识别造成的误判率；另外，在引入传统的智能分类算法并在此基础上对算法进行改进，在保证原有算法识别效率的基础上，提高了针对设备指纹和信道指纹联合判决的准确率。

参照图3，本实施例还提供一种无线通信设备的指纹融合识别装置，包括：

第一获取单元100，用于获取并识别无线通信设备的设备指纹和信道指纹；在此需要说明的是，由于具体的获取方式以及过程在上述无线通信设备的指纹融合识别方法的步骤s10中已经详细阐述，故在此不再赘述。

确定单元200，用于确定所述设备指纹的载波频偏特征和幅度特征；在一些实施例中，确定单元200包括预处理模块，用于对所述设备指纹的信号进行下变频以及信号补偿，检测并截取可识别信号；计算模块，用于对所述可识别信号进行射频指纹变换，计算所述信号的载波频偏特征和幅度特征。在此需要说明的是，由于具体的确定方式以及过程在上述无线通信设备的指纹融合识别方法的步骤s20中已经详细阐述，故在此不再赘述。

转置单元300，用于分别对所述载波频偏特征和幅度特征进行转置得到第一载波频偏特征和第一幅度特征；在此需要说明的是，由于具体的转置方法以及过程在上述无线通信设备的指纹融合识别方法的步骤s30中已经详细阐述，故在此不再赘述。

转化单元400，用于将无线通信信道的冲击响应转化为时间序列，根据所述时间序列确定所述信道指纹的特征向量；在一些实施例中，转化单元400包括构造模块，用于通过在冲击响应序列上截取不同时间窗口的数据来构造新的训练数据；划分模块，用于将每组训练数据按历史特征和未来特征进行划分，划分后的每组数据作为一组特征值，所有特征值组成的集合作为训练集的特征向量。另外，由于具体的转化方法以及过程在上述无线通信设备的指纹融合识别方法的步骤s40中已经详细阐述，故在此不再赘述。

加入单元500，用于在所述第一载波频偏特征和第一幅度特征后加入信道指纹的历史特征和未来特征构成联合特征向量；由于具体的加入方法以及过程在上述无线通信设备的指纹融合识别方法的步骤s50中已经详细阐述，故在此不再赘述。

训练单元600，用于对所述联合特征向量进行训练，利用训练后的第一特征向量建立融合指纹库；在一些实施例中，训练单元600包括抽取模块，用于从采集到的无线通信设备的样本集中抽取n个样例，得到一个大小为n的训练集，n=μm，其中，m为原始样本集的大小，μ为使得所有基学习器结合形成的集成学习器准确率最高的值；选取模块，用于从所述联合特征向量中选取任意的n个特征，根据信息增益从n个特征中选取1个做节点分裂，其中，n=ceil[sqrt(m)]；式中，sqrt为开平方根函数；ceil为向上取整函数；m为联合特征的总个数；分割模块，用于重复做子分割至所有节点分裂完成，形成不同分类性能的基学习器。

由于具体的训练方法以及过程在上述无线通信设备的指纹融合识别方法的步骤s60中已经详细阐述，故在此不再赘述。

第二获取单元700，用于获取待识别设备的信道指纹和设备指纹，与所述融合指纹库中的对照指纹进行比较获得判决结果；由于具体的确定方法以及过程在上述无线通信设备的指纹融合识别方法的步骤s70中已经详细阐述，故在此不再赘述。

该装置基于发射机模拟电路的射频特征和信道特征，综合设备指纹和信道指纹的判决结果实现最终的联合判决。智能算法的改进在保证训练效率的基础上，极大地提高了联合判决的准确率，尤其适用于物理层安全和无线设备的身份识别及认证。

另外，本发明实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何无线通信设备的指纹融合识别方法的部分或全部步骤。

另外，在本发明各个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。

所述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，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明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，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：read-onlymemory，简称：rom）、随机存取器（英文：randomaccessmemory，简称：ram）、磁盘或光盘等。

以上参照附图描述了根据本发明的实施例的用于实现服务链的方法的示例性流程图。应指出的是，以上描述中包括的大量细节仅是对本发明的示例性说明，而不是对本发明的限制。在本发明的其他实施例中，该方法可具有更多、更少或不同的步骤，且各步骤之间的顺序、包含、功能等关系可以与所描述和图示的不同。