基于射頻指紋的測(cè)控地面站身份識(shí)別方法

崔天舒，趙文杰，黃永輝，張紫晗，安軍社

（1.中國(guó)科學(xué)院國(guó)家空間科學(xué)中心 復(fù)雜航天系統(tǒng)電子信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100190；2.中國(guó)科學(xué)院大學(xué)，北京 100049）

0 引言

太空中衛(wèi)星越來(lái)越密集，衛(wèi)星測(cè)控信道具有開放性的特點(diǎn)，監(jiān)聽者很容易通過(guò)衛(wèi)星平臺(tái)截獲目標(biāo)衛(wèi)星的測(cè)控信號(hào)，通過(guò)專業(yè)信號(hào)分析手段解析出目標(biāo)衛(wèi)星的通信編碼體制甚至密鑰。若控制指令被破解，攻擊者就能控制目標(biāo)衛(wèi)星，危及整個(gè)衛(wèi)星系統(tǒng)安全。

衛(wèi)星測(cè)控鏈路的欺騙干擾技術(shù)快速發(fā)展，防欺騙技術(shù)成為了近幾年的研究熱點(diǎn)。針對(duì)于衛(wèi)星測(cè)控鏈路的欺騙防干擾技術(shù)主要有2種。一是通過(guò)更強(qiáng)的加密方式增加干擾方的破譯難度，二是在測(cè)控終端的信號(hào)處理層和信息校驗(yàn)層增加對(duì)欺騙干擾的檢測(cè)。但是增加密碼加密強(qiáng)度不僅會(huì)給應(yīng)答機(jī)帶來(lái)更大的計(jì)算負(fù)荷，還會(huì)降低測(cè)控信號(hào)的有效帶寬使用率。而且隨著大數(shù)據(jù)和人工智能技術(shù)的迅猛發(fā)展，密碼破譯難度越來(lái)越低，給防欺騙方帶來(lái)了極大的安全威脅[1]。

本文提出了一種基于射頻指紋的測(cè)控地面站身份識(shí)別方法，利用卷積神經(jīng)網(wǎng)絡(luò)提取測(cè)控信號(hào)的射頻指紋，與注冊(cè)庫(kù)中的合法指紋對(duì)照，驗(yàn)證指令是否來(lái)自合法用戶，從而保障衛(wèi)星通信安全。由于其提取測(cè)控地面站的物理層信息，是一種物理層防欺騙技術(shù)。如圖1所示，首先將合法的測(cè)控發(fā)射機(jī)射頻指紋特征記錄在衛(wèi)星測(cè)控接終端上，形成合法測(cè)控站指紋庫(kù)。在后續(xù)使用中，提取測(cè)控信號(hào)的射頻指紋進(jìn)行身份驗(yàn)證，保證合法用戶的指令接收與執(zhí)行，保障衛(wèi)星測(cè)控安全。

圖1 基于射頻指紋的地面站身份識(shí)別系統(tǒng)

1 射頻指紋產(chǎn)生機(jī)理

電子元器件產(chǎn)生的容差效應(yīng)是無(wú)線發(fā)射機(jī)產(chǎn)生射頻指紋的主要原因。幾乎所有的模擬電子元器件都存在容差，容差又可分為制造容差和漂移容差。制造容差是指在元件制造生產(chǎn)過(guò)程中，由于加工精度出現(xiàn)誤差等原因，導(dǎo)致電子元件的實(shí)際參數(shù)與標(biāo)稱值存在一定的誤差。漂移容差是指由于器件在保存與出廠后的一段時(shí)間內(nèi)發(fā)生的元件老化現(xiàn)象、設(shè)備存放及工作環(huán)境的溫度、濕度的變化等因素導(dǎo)致的元件參數(shù)值的變化。

此外，印制電路板的材質(zhì)、走線等種類、加工過(guò)程與存在環(huán)境的不同而產(chǎn)生的差異也是影響射頻指紋的容差因素，這些因素統(tǒng)稱為電路的容差效應(yīng)。

容差效應(yīng)導(dǎo)致即使是同一廠家同一型號(hào)甚至是同一批次的無(wú)線通信設(shè)備的實(shí)際硬件參數(shù)也存在差異，包括：振蕩器偏振、相位偏差、非線性失真等，這些到是射頻指紋的物理來(lái)源[2-4]。

2 實(shí)驗(yàn)驗(yàn)證

FIT/CorteXlab數(shù)據(jù)集[5]由22臺(tái)NI USRP N 2932軟件無(wú)線電設(shè)備生成，其中21臺(tái)用作發(fā)射設(shè)備、1臺(tái)用作接收設(shè)備，通信頻點(diǎn)為433 MHz，采樣速率為5 M sample/s。發(fā)射設(shè)備采用突發(fā)模式，當(dāng)無(wú)信號(hào)發(fā)送時(shí)，放大器處于關(guān)閉狀態(tài)，不造成本地振蕩器信號(hào)泄漏。為了使這批同型號(hào)同廠家的設(shè)備更加一致，研究人員特別針對(duì)IQ不平衡和DC偏移進(jìn)行了校準(zhǔn)，并通過(guò)設(shè)置發(fā)射增益以使本地振蕩器泄漏降至最低。

2.1 發(fā)送數(shù)據(jù)類型

集中式的發(fā)送數(shù)據(jù)共包含3種類型：QPSK調(diào)制固定數(shù)據(jù)序列，數(shù)據(jù)內(nèi)容為802.15.4前置碼的位序列，以下稱為固定包；QPSK調(diào)制隨機(jī)數(shù)據(jù)序列，以下稱為隨機(jī)包；未調(diào)制的隨機(jī)噪聲序列，以下稱為噪聲包。為更好地模擬衛(wèi)星接收信號(hào)的功率變化，在發(fā)射設(shè)備位置不變的條件下，設(shè)置IQ信號(hào)幅度隨時(shí)間變化。

2.2 發(fā)送內(nèi)容信息

圖2展示了接收機(jī)采集的2 400個(gè)IQ信號(hào)采樣點(diǎn)，發(fā)送周期為600，其中前100個(gè)采樣點(diǎn)為信道噪聲，后500個(gè)為有效信號(hào)。

圖2 QPSK調(diào)制固定數(shù)據(jù)序列IQ信號(hào)

圖3是變幅值模式下的信號(hào)功率圖。由圖可知，發(fā)射信號(hào)幅度變化周期大概為2 500 000個(gè)數(shù)據(jù)點(diǎn)，功率變化范圍為20 d B。

圖3 變幅度模式功率圖

2.3 有效信號(hào)提取

信道噪聲不包含發(fā)射設(shè)備的射頻指紋信息，如圖4所示，采用能量檢測(cè)方法從原始IQ采樣信號(hào)中提取有效信號(hào)，進(jìn)行射頻指紋提取與分類。

圖4 無(wú)線信號(hào)的興趣區(qū)間

3 實(shí)驗(yàn)結(jié)果

隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)方法在機(jī)器視覺[6-8]和自然語(yǔ)言處理[9-11]等方面獲得了顯著的成就。在射頻指紋識(shí)別領(lǐng)域，基于深度學(xué)習(xí)，尤其是基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法，受到了廣泛的關(guān)注。

3.1 卷積網(wǎng)格結(jié)構(gòu)

目前基于卷積神經(jīng)網(wǎng)絡(luò)的射頻指紋識(shí)別中，網(wǎng)絡(luò)結(jié)構(gòu)大多參照AlexNet[6]的設(shè)計(jì)：采用卷積層（Conv）來(lái)提取特征，使用線性整流函數(shù)（ReLU，）作為激活函數(shù)，卷積層之間采用最大池化層（max-pooling）來(lái)減小特征維度，最后采用多個(gè)全連接層（FC）進(jìn)行分類。此外，為提高網(wǎng)絡(luò)的泛化能力，在訓(xùn)練時(shí)，全連接層間采用隨機(jī)失活（Dropout）進(jìn)行隨機(jī)參數(shù)舍棄，避免出現(xiàn)過(guò)擬合現(xiàn)象。處理IQ信號(hào)的普通CNN結(jié)構(gòu)如圖5所示。

圖5 處理IQ信號(hào)的普通CNN結(jié)構(gòu)

3.2 IQCNet結(jié)構(gòu)

由于體積、質(zhì)量、功耗的約束，以及空間輻射和極端溫度等環(huán)境因素的影響，星載計(jì)算機(jī)的計(jì)算能力與存儲(chǔ)空間相對(duì)于地面計(jì)算機(jī)具有非常大的差距。而深度神經(jīng)網(wǎng)絡(luò)雖然具有特征提取能力強(qiáng)、識(shí)別準(zhǔn)確率高的優(yōu)點(diǎn)，但也存在網(wǎng)絡(luò)參數(shù)眾多、計(jì)算量大的不足，所以面向衛(wèi)星在軌應(yīng)用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，一定要具備輕量化和計(jì)算高效等特點(diǎn)。

在圖像識(shí)別領(lǐng)域，神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)格式是M×N的形式，數(shù)據(jù)點(diǎn)之間是空間關(guān)系，具有各向同性的性質(zhì)，空間維度間可進(jìn)行對(duì)稱操作。而在基于CNN的IQ信號(hào)處理中，IQ信號(hào)為N×2的形式，N代表時(shí)間，2代表IQ信號(hào)（即復(fù)數(shù)的實(shí)部與虛部），并不具備各向同性的性質(zhì)，無(wú)法像處理圖像一樣在2個(gè)維度上進(jìn)行對(duì)稱操作，所以目前基于CNN的IQ信號(hào)處理僅采用一維卷積提取信號(hào)時(shí)間維度特征，而未提取IQ信號(hào)間特征，這就導(dǎo)致信號(hào)相位信息損失，降低了識(shí)別率。

本文在傳統(tǒng)CNN結(jié)構(gòu)的基礎(chǔ)上，針對(duì)IQ信號(hào)的物理特性，提出基于IQ相關(guān)特征的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（IQCNet）。IQCNet首先采用卷積核構(gòu)造IQ相關(guān)特征濾波器，提取IQ相關(guān)特征，達(dá)到充分利用復(fù)信號(hào)幅度及相位信息的目的，且將隨后的二維數(shù)據(jù)降為了一維數(shù)據(jù)處理，計(jì)算量降低了50%；然后采用多層小卷積核替代大卷積核提取信號(hào)時(shí)域特征，既保證了時(shí)間尺度上的感受野，又降低了卷積核參數(shù)數(shù)量；最后采用全局平均池化替代多個(gè)全連接層，以獲得各通道特征值并直接進(jìn)行分類，在達(dá)到一定泛化能力的同時(shí)繼續(xù)降低網(wǎng)絡(luò)參數(shù)數(shù)量。

IQCNet第一個(gè)卷積層采用C個(gè)(1,2)的卷積核提取IQ的相關(guān)特征，經(jīng)該層處理后數(shù)據(jù)變?yōu)榱薔×1的形式，然后再采用(3,1)的小卷積核提取信號(hào)時(shí)間特征，卷積層間采用批歸一化和最大池化，且最后一個(gè)卷積層后采用自適應(yīng)平均池化將特征數(shù)量壓縮為與通道數(shù)相同，最后再采用1層全連接進(jìn)行分類。

3.3 對(duì)比的CNN結(jié)構(gòu)

為了驗(yàn)證IQCNet網(wǎng)絡(luò)結(jié)構(gòu)在射頻指紋識(shí)別中處理IQ信號(hào)的優(yōu)勢(shì)，本文與DRID[12]、DLRF[13]和ORACLE[14]等CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行比較。

DRID由8個(gè)卷積層和3個(gè)全連接層構(gòu)成，卷積層交替使用(5,1)與(7,1)的卷積核，每層通道數(shù)為128，每?jī)蓚€(gè)卷積層間增加一個(gè)核尺寸為(2,1)、步長(zhǎng)為(2,1)的最大池化層，3個(gè)全連接層神經(jīng)元個(gè)數(shù)分別為256、128和21，激活函數(shù)采用ReLU。為提高網(wǎng)絡(luò)的泛化能力，全連接層間使用隨機(jī)丟棄率為50%的Dropout層，分類函數(shù)使用邏輯回歸（Sigmoid）。

ORACLE由2個(gè)卷積層和3個(gè)全連接層構(gòu)成，2個(gè)卷積層分別使用(7,1)與(7,2)的卷積核，每層通道數(shù)為50，層間無(wú)最大池化，3個(gè)全連接層神經(jīng)元個(gè)數(shù)分別為128、16和21，激活函數(shù)采用ReLU函數(shù)，全連接層間使用隨機(jī)丟棄率為50%的Dropout層，分類函數(shù)使用Sigmoid。

DLRF由3個(gè)卷積層和3個(gè)全連接層構(gòu)成，3個(gè)卷積層分別使用(19,1)、(15,1)和(11,1)的大卷積核，3個(gè)卷積層的通道數(shù)分別為128、32和16，卷積層間采用核尺寸為(2,1)、步長(zhǎng)為(2,1)的最大池化層，3個(gè)全連接層神經(jīng)元個(gè)數(shù)分別為128、16和21，激活函數(shù)采用指數(shù)線性單元（ELU）函數(shù)，全連接層間使用隨機(jī)丟棄率為50%的Dropout層，分類函數(shù)使用Sigmoid。

實(shí)驗(yàn)中采用的IQCNet網(wǎng)絡(luò)，由H個(gè)卷積層與1個(gè)全連接層構(gòu)成，其中第1個(gè)卷積層用于提取IQ信號(hào)間特征，后幾個(gè)卷積層提取時(shí)間特征，層間加入批歸一化（BN）加快收斂速度，采用ReLU激活函數(shù)，采用Sigmoid作為分類函數(shù)。

不同參數(shù)的IQCNet網(wǎng)絡(luò)可用IQCNet(H,C)表示，其中H表示卷積層的層數(shù)，C表示每層卷積層的通道數(shù)。本文采用具有8個(gè)卷積層且每層有32個(gè)通道的IQCNet網(wǎng)絡(luò)與其它方法進(jìn)行對(duì)比。

采用Pytorch的torchstat庫(kù)可計(jì)算卷積網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)數(shù)量、計(jì)算量以及內(nèi)存使用量，表1列出了IQCNet與DRID、DLRF、ORACLE參數(shù)數(shù)量、計(jì)算量以及存儲(chǔ)量等數(shù)據(jù)。

表1 CNN網(wǎng)絡(luò)模型參數(shù)及計(jì)算量比較

在參數(shù)數(shù)量方面，DRID、DLRF和ORACLE的參數(shù)量（Params）分別為IQCNet的111、14和333倍，在參數(shù)數(shù)量方面IQCNet有非常明顯的優(yōu)勢(shì)。

在計(jì)算量方面，DRID、DLRF和ORACLE的浮點(diǎn)計(jì)算量（Flops）分別為IQCNet的82、11和8倍，IQCNet在計(jì)算量方面也具有非常明顯的優(yōu)勢(shì)。

在存儲(chǔ)量方面，DRID、DLRF和ORACLE的內(nèi)存讀寫使用量（MemR＋W）分別大約為IQCNet的13、2和28倍，IQCNet在存儲(chǔ)量方面同樣優(yōu)勢(shì)明顯。

網(wǎng)絡(luò)參數(shù)數(shù)量、浮點(diǎn)計(jì)算量和內(nèi)存讀寫量對(duì)比可知，IQCNet更加輕量化，更適合于星載計(jì)算機(jī)部署。

3.4 實(shí)驗(yàn)結(jié)果分析

圖6展示了發(fā)射功率是否變化時(shí)3種包類型的識(shí)別準(zhǔn)確率。由結(jié)果可知：

圖6 發(fā)射機(jī)發(fā)送信息內(nèi)容與功率變化對(duì)射頻指紋識(shí)別的影響

1）發(fā)送包數(shù)據(jù)內(nèi)容會(huì)影響卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別率。當(dāng)發(fā)射機(jī)發(fā)送固定包時(shí)識(shí)別準(zhǔn)確率更高，隨機(jī)包和噪聲包識(shí)別準(zhǔn)確率會(huì)有明顯下降。所以提取固定數(shù)據(jù)內(nèi)容（例如前導(dǎo)頭）的信息更有利于識(shí)別發(fā)射機(jī)個(gè)體。對(duì)于測(cè)控信號(hào)，存在固定的信號(hào)段用于信號(hào)同步，可提取此段信號(hào)用于身份識(shí)別。

2）發(fā)射功率變化會(huì)明顯降低識(shí)別準(zhǔn)確率。所有方法的識(shí)別準(zhǔn)確率都因功率變化而明顯降低。相對(duì)于對(duì)固定包的影響，功率變化對(duì)隨機(jī)包和噪聲包的識(shí)別率影響更加明顯。在變功率模式下，IQCNet對(duì)固定包的識(shí)別率也能達(dá)到94%，對(duì)隨機(jī)包的識(shí)別準(zhǔn)確率達(dá)到86%，說(shuō)明即使發(fā)射功率大范圍變化（20 d B），也能提取到穩(wěn)定的指紋特征用于識(shí)別發(fā)射機(jī)身份。

3）IQCNet的識(shí)別準(zhǔn)確率最高。在不同發(fā)送包內(nèi)容和功率變化的6種實(shí)驗(yàn)中，IQCNet、DRID、DLRF和ORACLE的平均識(shí)別率分別為91.68%、82.61%、72.08%和61.71%，IQCNet網(wǎng)絡(luò)的識(shí)別率明顯優(yōu)于其它3種參考網(wǎng)絡(luò)。

4 結(jié)束語(yǔ)

為增強(qiáng)衛(wèi)星系統(tǒng)的測(cè)控安全，本文提出了一種基于射頻指紋的測(cè)控地面站身份識(shí)別方法，并采用適于天基平臺(tái)部署的輕量化卷積神經(jīng)網(wǎng)絡(luò)對(duì)模擬衛(wèi)星測(cè)控鏈路的變功率信號(hào)的進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，對(duì)變功率固定包的識(shí)別率能達(dá)到94%，對(duì)變功率隨機(jī)包的識(shí)別準(zhǔn)確率可達(dá)到86%，證明通過(guò)射頻指紋識(shí)別方法可有效保障衛(wèi)星系統(tǒng)的測(cè)控安全。■