一種新的基于信號導(dǎo)頻的射頻指紋識別方法

曾盛, 朱豐超,*, 楊劍

(1. 火箭軍工程大學(xué) 作戰(zhàn)保障學(xué)院, 西安 710025; 2. 火箭軍工程大學(xué) 導(dǎo)彈工程學(xué)院, 西安 710025)

互聯(lián)網(wǎng)技術(shù)的快速發(fā)展在給人們的生活帶來諸多便利的同時,也對信息安全防護(hù)與個人隱私保護(hù)提出了挑戰(zhàn)[1]。 傳統(tǒng)的信息安全技術(shù)基于密碼算法或者公私鑰加密技術(shù),但是該技術(shù)存在一定的局限性:①具有高計(jì)算量和高復(fù)雜度;②存在一定時延;③存在密鑰泄露風(fēng)險和被破解可能,難以滿足人們對信息安全防護(hù)的需求。 而基于物理層的信息安全技術(shù)具有低復(fù)雜度、低時延和理論上不可破解的優(yōu)勢,得到了國內(nèi)外學(xué)者的廣泛關(guān)注[2-4]。

1995 年,Choe 等[5]首次提出了利用無線通信設(shè)備發(fā)出的瞬態(tài)信號所包含的“指紋”信息來進(jìn)行設(shè)備識別認(rèn)證的方法。 正如人類的指紋一樣,無線通信設(shè)備工作時向外輻射的信號會因?yàn)樵O(shè)備固有特性產(chǎn)生細(xì)微的差異,如晶體振蕩器產(chǎn)生的載頻誤差、定時器產(chǎn)生的誤差等,這種誤差綜合起來會使通信設(shè)備發(fā)出的信號之間可以區(qū)分。因此,射頻指紋識別技術(shù)能夠應(yīng)用于輻射源個體識別、設(shè)備認(rèn)證、無線電管理等諸多領(lǐng)域,擁有廣闊的應(yīng)用前景[6]。 1996—2020 年期間,文獻(xiàn)[7-10]先后提出了基于信號瞬態(tài)部分和穩(wěn)態(tài)部分的射頻指紋識別技術(shù),并采用傳統(tǒng)的機(jī)器學(xué)習(xí)算法進(jìn)行分類,然而該類方法需要提前選取信號的指紋特征,特征選取的合適與否直接影響到最終的分類效果,對于不同種類的設(shè)備和信號,很難確定最優(yōu)特征。 因此,傳統(tǒng)的機(jī)器學(xué)習(xí)射頻指紋分類方法存在特征選取復(fù)雜度高、識別精度不高的缺陷。 隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展,深度神經(jīng)網(wǎng)絡(luò)在射頻指紋識別領(lǐng)域的應(yīng)用有效解決了特征選取復(fù)雜度高這一問題[11-14],其中,基于AlexNet 網(wǎng)絡(luò)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)結(jié)構(gòu)在射頻指紋識別領(lǐng)域取得的效果最好。

雖然相比于傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法,現(xiàn)有基于深度神經(jīng)網(wǎng)絡(luò)的方法有效解決了特征選取復(fù)雜度高這一問題,而且取得了很不錯的分類效果,然而仍然存在一定的改進(jìn)空間。 ①現(xiàn)有基于深度學(xué)習(xí)的射頻指紋識別方法網(wǎng)絡(luò)輸入大都是原始的I/Q 序列,未考慮信號負(fù)載信息對分類結(jié)果的影響,隨著通信技術(shù)的發(fā)展,為了方便接收機(jī)的設(shè)計(jì),IEEE 802.15.4 無線通信協(xié)議[15]為傳輸信號添加了導(dǎo)頻部分,導(dǎo)頻具有固定的內(nèi)容,與負(fù)載內(nèi)容無關(guān),因此只包含信號的指紋信息,利用信號的導(dǎo)頻部分作為網(wǎng)絡(luò)輸入能有效避免信號負(fù)載對射頻指紋識別結(jié)果帶來的不利影響。 ②深度學(xué)習(xí)方法如果只考慮單一卷積核,同時僅關(guān)注網(wǎng)絡(luò)深度而沒有兼顧網(wǎng)絡(luò)寬度時,就會造成網(wǎng)絡(luò)無法從多個尺度上學(xué)習(xí)信號的指紋特征,識別精度仍然存在一定的提升空間。

針對以上問題,本文基于IEEE 802.15.4 無線通信協(xié)議設(shè)計(jì)了一種新的導(dǎo)頻提取算法,提取出信號的導(dǎo)頻部分作為網(wǎng)絡(luò)的輸入。 同時,提出了一種基于Inception 網(wǎng)絡(luò)[16]的射頻指紋識別方法,相比于單一結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò),Inception 網(wǎng)絡(luò)具有更加復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),能夠從多種特征尺度上學(xué)習(xí)信號的指紋信息,顯著提升分類精度。

1 系統(tǒng)模型

如圖1 所示,假設(shè)通信雙方分別為Alice 和Bob, Alice 為發(fā)送方,Bob 為接收方,待發(fā)送的信息為二進(jìn)制比特序列d1×n。

圖1 通信系統(tǒng)模型Fig.1 Communication system model

為了方便通信系統(tǒng)的設(shè)計(jì),IEEE 802.15.4 無線通信協(xié)議[15]規(guī)定信息在傳輸前需要進(jìn)行幀包裝。 圖2給出了包裝后的物理層幀結(jié)構(gòu)。 其中,SHR 表示物理層同步幀頭,PHR 表示物理層幀頭,PHY Payload 表示物理層負(fù)載,Preamble 表示導(dǎo)頻,SFD 表示開始幀分隔符。 將得到的數(shù)據(jù)幀進(jìn)行一次直接序列擴(kuò)頻,增強(qiáng)信號的抗干擾性和抗多徑干擾能力。 對于正交四相相移鍵控(orthogonal quaternary phase shift keying,OQPSK)調(diào)制方式的通信系統(tǒng),發(fā)送端信號處理的全過程如圖3 所示。

圖2 物理層幀結(jié)構(gòu)Fig.2 Frame structure of physical layer

圖3 發(fā)送端信號處理過程Fig.3 Signal processing at transmitter

首先,將二進(jìn)制比特序列d1×n包裝成數(shù)據(jù)幀,得到幀序列d1×N;然后,將d1×N每4 個bit 映射 成一個符號si(Symbol),所有的符號構(gòu)成一個符號矩陣S4×m:

式中:m=N/4。

每個符號si映射成一個包含32 bit 的碼片,得到發(fā)送端的擴(kuò)頻序列:

式中:p=32 ×m;G(·)表示Symbol-to-Chip 映射關(guān)系。

當(dāng)傳輸中心頻率為2. 45 GHz 和2. 38 GHz時,Symbol-to-Chip 映射關(guān)系如表1 所示。

表1 2.45 GHz Symbol-to-Chip 映射關(guān)系Tabel 1 Mapping relationship of 2.45 GHz Symbol-to-Chip

式中:xPreamble為需要提取出來的信號導(dǎo)頻部分。xSFD為信號xPA(t)的幀首界定符,xPHR為物理層數(shù)據(jù)幀頭部分,xPayload表示有效載荷部分。

現(xiàn)有研究雖然已經(jīng)證明了基于信號導(dǎo)頻的射頻指紋識別技術(shù)具有很好的發(fā)展前景,但是均沒有提出一種有效的信號導(dǎo)頻提取方法。 文獻(xiàn)[8]中基于窗函數(shù)和功率上升的方法對于接收機(jī)采樣率要求很高,而且只能大概估計(jì)導(dǎo)頻位置;文獻(xiàn)[9]中基于瞬態(tài)起點(diǎn)估計(jì)的方法受信道噪聲影響大,不能準(zhǔn)確找到導(dǎo)頻的起始位置,基于人眼識別的方法更是效率低下。 針對以上現(xiàn)狀,本文基于IEEE 802.15.4 無線通信協(xié)議[15]設(shè)計(jì)了一種新的導(dǎo)頻提取算法,有效解決了以上問題。

2 導(dǎo)頻提取算法

圖4 給出了無線通信流程框架。 假設(shè)接收端接收到的信號記為r(t):

圖4 無線通信流程框架Fig.4 Frame diagram of wireless communication

式中:h(·)為無線信道;n(t)為信道噪聲。 從r(t)中精確找到信號的導(dǎo)頻部分需要經(jīng)歷2 步。

2.1 解 調(diào)

首先利用混頻器對信號進(jìn)行下變頻至基帶信號,然后通過低通濾波器濾除帶外噪聲,在模數(shù)轉(zhuǎn)換器中對信號進(jìn)行奈奎斯特采樣得到數(shù)字信號序列r[s]:

式中:ωc為載波頻率;r[s]為采樣后的離散數(shù)字信號序列;?表示卷積運(yùn)算;hLP(t)表示低通濾波函數(shù);rLP(t)為經(jīng)過下變頻和低通濾波后的信號;δTs(t)為周期性單位沖激脈沖,Ts為采樣周期。

由于信號在無線信道中傳播后會受到噪聲干擾,需要在接收端對采樣后的信號進(jìn)行自動增益控制(automatic gain control, AGC),提高信噪比:

式中:FAGC(·)為AGC 模塊。

經(jīng)過自動增益控制后,再對信號進(jìn)行匹配濾波(matched filter, MF)得到rMF[s],匹配濾波的目的同樣是為了提高信號信噪比:

式中:HMF(·)為MF 模塊。

信號在傳輸過程中會產(chǎn)生頻率偏移,對存在頻率偏移的信號進(jìn)行解碼會引入誤差,導(dǎo)致誤碼率上升,因此需要對信號進(jìn)行頻率補(bǔ)償。 首先使用基于快速傅里葉變換(fast Fourier transform,FFT)的方法進(jìn)行粗頻率補(bǔ)償,該方法對rMF[s]平方,得到2 個譜峰,然后對2 個譜峰的頻率進(jìn)行平均和減半,從而得到粗補(bǔ)償頻率Δf^。

式中:fsamp為采樣頻率;m為調(diào)制階數(shù);Rsym為符號速率;N為采樣數(shù)。

粗頻率補(bǔ)償后得到信號rCC[s]為

式中:T為符號周期;θ為載波相位。

精頻率補(bǔ)償基于文獻(xiàn)[17]中描述的OQPSK載波恢復(fù)算法,算法框圖如圖5 所示。

圖5 精頻率補(bǔ)償算法框圖Fig.5 Block diagram of fine frequency compensation algorithm

式中:λn為直接數(shù)字合成器(direct digital synthesizer,DDS)的輸出,由en和ψn確定:

其中:gp=,Kp為相位誤差檢測器的增益,由調(diào)制方式確定,對于OQPSK 調(diào)制方式,Kp=2,Ko為相位恢復(fù)增益,其值等于每個符號的樣本數(shù),θ=Bn(ζ+),d= 1+2ζθ+θ2,Bn為歸一化環(huán)路帶寬,ζ為阻尼因子;en為相位誤差,相位誤差計(jì)算方法與調(diào)制方式有關(guān),對于OQPSK 調(diào)制方式:

式中:SamplePerSymbol 為符號采樣速率。

ψn為環(huán)路濾波器第n個采樣點(diǎn)的輸出:

式中:gI為積分器增益系數(shù),即

對得到的rFC[s]進(jìn)行時間同步,對時間同步后的信號進(jìn)行串并變換,再進(jìn)行判決就能得到解調(diào)后的Chip 序列,記為。

2.2 提取信號導(dǎo)頻

IEEE 802.15.4 無線通信協(xié)議[15]規(guī)定了物理層數(shù)據(jù)幀結(jié)構(gòu),因此也應(yīng)具有如下格式:

式中:crx,Preamble為需要確定的導(dǎo)頻部分。

IEEE 802.15.4 無線通信協(xié)議[15]規(guī)定了導(dǎo)頻內(nèi)容為8 個s0,經(jīng)過直接序列擴(kuò)頻后,擴(kuò)頻為8 個進(jìn)行傳輸,因此,crx,Preamble=

圖6 滑動過程Fig.6 Sliding process

圖7 算法框架Fig.7 Framework of algorithm

此時提取出來的導(dǎo)頻序列并非是原始信號中的導(dǎo)頻,而是經(jīng)過解調(diào)后的導(dǎo)頻,其中不再包含設(shè)備的射頻指紋信息。 最終的任務(wù)是根據(jù)解調(diào)后的導(dǎo)頻序列定位到原始信號中的導(dǎo)頻部分,即式(3)中的xPreamble。 原始信號經(jīng)過自動增益控制、匹配濾波、粗頻率補(bǔ)償、精頻率補(bǔ)償后只改變了幀的幅值,并未改變幀的長度大小。 經(jīng)過時間同步后,信號的長度已經(jīng)發(fā)生了改變,為定位原始信號中的導(dǎo)頻帶來了困難。 為了解決這一問題,采取窗口同步的方法,窗口長度為一個幀的長度,即一次只對一個幀長度的信號進(jìn)行時間同步。 若當(dāng)前窗口中的信號同步后未能檢測出導(dǎo)頻,說明此段信號的起點(diǎn)并非是一個幀的起點(diǎn),下一步將窗口在原始信號中滑動一個樣本點(diǎn),直到目前幀中成功檢測出了導(dǎo)頻,下一次則直接滑動一個幀的長度,這樣大大降低了算法的運(yùn)算次數(shù)及復(fù)雜度,同時也解決了無法定位到原始信號中導(dǎo)頻位置的問題。 此時原始信號中的導(dǎo)頻即為從當(dāng)前幀窗口起點(diǎn)開始之后連續(xù)的512 個采樣點(diǎn),在提取導(dǎo)頻過程中,每次傳輸1 635 個幀,能夠提取出1 635個導(dǎo)頻,提取率能夠達(dá)到100%。

現(xiàn)有的導(dǎo)頻提取算法一般分為3 類:①文獻(xiàn)[8]中所提出利用絕對值和窗口函數(shù)從信號中提取信號的導(dǎo)頻序列,將窗口長度設(shè)置為導(dǎo)頻中樣本個數(shù),在信號上滑動窗口,選擇具有最大能量的窗口作為信號的導(dǎo)頻,該方法只能估計(jì)導(dǎo)頻大概位置,無法完全區(qū)分導(dǎo)頻信號與瞬態(tài)信號。②文獻(xiàn)[9]中提出先估計(jì)出瞬態(tài)起點(diǎn),再將瞬態(tài)起點(diǎn)后面的信號作為導(dǎo)頻信號,然而實(shí)際上瞬態(tài)起點(diǎn)估計(jì)受噪聲影響嚴(yán)重,當(dāng)信號受到噪聲干擾時往往難以準(zhǔn)確估計(jì)出瞬態(tài)起點(diǎn),存在估計(jì)誤差,因此不能完全準(zhǔn)確地找到信號的導(dǎo)頻部分。 ③通過肉眼識別的方式提取導(dǎo)頻,該方法效率低下,工作量大,且提取精度不高。

圖8 給出了本文算法的導(dǎo)頻檢測結(jié)果(淺色部分為原始信號,深色部分為導(dǎo)頻部分)。 從圖8(a)、(b)可以看出,相較于文獻(xiàn)[8]中提出的導(dǎo)頻提取算法,本文提出的導(dǎo)頻提取算法能夠精確地找到信號導(dǎo)頻部分的起始位置和結(jié)束位置,而且對于連續(xù)信號,導(dǎo)頻提取率也能達(dá)到100%。從圖8(c)可以看出,相較于文獻(xiàn)[9]中所提出的算法,本文算法抗噪聲性能好,在10 m 無線信道傳輸條件下也能達(dá)到100%的導(dǎo)頻提取率。

圖8 導(dǎo)頻檢測結(jié)果Fig.8 Preamble extraction results

利用本文算法建立了3 種不同傳輸距離下的導(dǎo)頻數(shù)據(jù)集,并利用簡化后的Inception 網(wǎng)絡(luò)測試其分類效果。

3 Inception 網(wǎng)絡(luò)

近年來,深度學(xué)習(xí)在射頻指紋識別領(lǐng)域的快速發(fā)展證明了基于神經(jīng)網(wǎng)絡(luò)的射頻指紋識別技術(shù)擁有著優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)分類方法的識別效果,然而,目前大多數(shù)基于深度學(xué)習(xí)的射頻指紋識別方法采用的都是結(jié)構(gòu)單一的卷積神經(jīng)網(wǎng)絡(luò),只考慮了網(wǎng)絡(luò)深度,沒有考慮到網(wǎng)絡(luò)寬度,卷積核單一,無法從多個尺度上學(xué)習(xí)信號的指紋特征,因此在分類精度上仍然存在著一定的提升空間。 2014 年,Google 公司首次提出了Inception 網(wǎng)絡(luò)結(jié)構(gòu)[16],用于ImageNet 大規(guī)模圖像識別與分類領(lǐng)域,并在該領(lǐng)域取得了非常好的識別效果。 由于Inception網(wǎng)絡(luò)結(jié)構(gòu)能夠增加網(wǎng)絡(luò)的寬度,同時具備從多種尺度上學(xué)習(xí)不同特征的能力,本文嘗試將Inception 網(wǎng)絡(luò)結(jié)構(gòu)遷移到射頻指紋識別領(lǐng)域。 圖9 展示了本文使用的Inception 網(wǎng)絡(luò)結(jié)構(gòu)。

圖9 本文使用的Inception 網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 Inception network used in this paper

原始的導(dǎo)頻序列是512 位的復(fù)數(shù)序列,對其進(jìn)行串并變換后恢復(fù)成1 024 位的實(shí)數(shù)序列作為網(wǎng)絡(luò)輸入。 首先,對輸入信號進(jìn)行卷積和池化操作,其目的是從輸入信號中提取特征并降低特征的維數(shù),對于射頻信號而言,由于信號中所包含的設(shè)備指紋特征對信道指紋特征比較敏感,受環(huán)境影響比較大,而在不同的池化操作(如平均池化、最大池化、隨機(jī)池化、全局平均池化)中,平均池化會模糊設(shè)備指紋特征與信道指紋特征,不利于設(shè)備指紋特征的提取,一般選擇最大池化(Maxpool)操作。 最大池化選擇池化區(qū)域中的最大元素作為輸出,保留特征的同時降低了特征圖的維數(shù),而且減少了網(wǎng)絡(luò)中參數(shù)和計(jì)算量,因此提供了更好的性能。 池化后的信號隨后通過激活函數(shù)引入非線性,使網(wǎng)絡(luò)的輸出不再是輸入的線性表達(dá),因此理論上可以逼近任意函數(shù),在常見的激活函數(shù)中,sigmoid 函數(shù)和tanh 函數(shù)計(jì)算量相較于Relu函數(shù)要大很多,尤其是對于Inception 這樣的深層網(wǎng)絡(luò)結(jié)構(gòu),sigmoid 函數(shù)在反向傳播時易出現(xiàn)梯度消失的情況,從而導(dǎo)致網(wǎng)絡(luò)無法正常訓(xùn)練。 因此,為了減少計(jì)算量,本文選擇使用Relu 函數(shù)作為網(wǎng)絡(luò)的激活函數(shù)。

初步處理后的結(jié)果被輸入到Inception 模塊,本文網(wǎng)絡(luò)中共使用了2 個Inception 模塊,第2 個Inception 模塊的輸出作為全連接層(FC)的輸入,可以得到10 個標(biāo)簽的最終分類結(jié)果。 Inception模塊作為Inception 網(wǎng)絡(luò)最核心的部分,其本身就可以看作為一層小型的卷積網(wǎng)絡(luò),其結(jié)構(gòu)如圖10所示。

圖10 Inception 模塊結(jié)構(gòu)Fig.10 Structure of Inception module

Inception 模塊共有3 個輸出通道,每個通道先進(jìn)行1 ×1 的卷積操作,降低上一層的輸出通道數(shù),從而達(dá)到降低網(wǎng)絡(luò)參數(shù)數(shù)量的目的。 同時每個通道上都設(shè)置了不同尺度的卷積層,如圖10 所示,本文使用的Inception 模塊共包含了1 ×1、3 ×1和5 ×13 種不同尺度的卷積核,使得每個Inception 模塊能夠同時從3 種不同的特征尺度上學(xué)習(xí)信號的指紋特征,而且在輸出處能夠?qū)⒉煌ǖ赖妮敵鲂畔⒔M合起來,最大程度避免了由于卷積核大小選擇不當(dāng)導(dǎo)致的網(wǎng)絡(luò)性能差的問題,增加了網(wǎng)絡(luò)對不同尺度特征的適應(yīng)性。 因此,Inception 網(wǎng)絡(luò)相較于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)具有更好的分類性能。 值得注意的是,不同通道的輸出在進(jìn)行拼接時要求數(shù)據(jù)具有相同的長、寬維度,而每個通道的卷積核大小不同會導(dǎo)致輸出數(shù)據(jù)維度不一樣,為了避免這種情況發(fā)生,需要給每個通道的輸入在進(jìn)行卷積操作前進(jìn)行padding。 1 ×1 的卷積核不會影響數(shù)據(jù)維度,因此不需要進(jìn)行padding,對于5 ×1 卷積核的通道,需要對輸入數(shù)據(jù)上下各padding 2 行,對于3 ×1 卷積核的通道,需要對數(shù)據(jù)上下各padding 1 行。

網(wǎng)絡(luò)超參數(shù)的選擇對于整個網(wǎng)絡(luò)的最終表現(xiàn)同樣至關(guān)重要,本文選擇訓(xùn)練批次大小(batch_size)、Dropout 率和學(xué)習(xí)率lr 三種網(wǎng)絡(luò)超參數(shù)。 訓(xùn)練批次大小是指每次訓(xùn)練時在訓(xùn)練集中調(diào)用的數(shù)據(jù)集大小,即導(dǎo)頻個數(shù),訓(xùn)練批次大小設(shè)置太小會導(dǎo)致訓(xùn)練時間太長,工作站內(nèi)存利用率不高,因此適當(dāng)加大訓(xùn)練批次大小有利于提高工作站利用率,加大對相同數(shù)據(jù)的處理速度,同樣的,當(dāng)訓(xùn)練

批次大小設(shè)置過大時也會導(dǎo)致網(wǎng)絡(luò)收斂到局部最優(yōu)點(diǎn),因此合適的批次大小設(shè)置十分重要,在最后的實(shí)驗(yàn)驗(yàn)證過程中,經(jīng)過多次嘗試,最終發(fā)現(xiàn)當(dāng)訓(xùn)練批次大小設(shè)置為32 時本文的數(shù)據(jù)集在該網(wǎng)絡(luò)下具有最好的分類性能。 為了防止網(wǎng)絡(luò)訓(xùn)練發(fā)生過擬合,在全連接層前設(shè)置了Dropout 率,并且Dropout 率大小設(shè)置為最常用的0.5。 Inception 網(wǎng)絡(luò)的學(xué)習(xí)率決定了網(wǎng)絡(luò)權(quán)重更新時當(dāng)前權(quán)重受影響的程度,學(xué)習(xí)率設(shè)置太小會導(dǎo)致權(quán)重更新慢,學(xué)習(xí)率過大又會導(dǎo)致跨過最優(yōu)解,因此,為了避免這2 種情況發(fā)生,本文選擇動態(tài)調(diào)整學(xué)習(xí)率的方式,在訓(xùn)練開始時設(shè)置較大的學(xué)習(xí)率,隨著迭代次數(shù)增加,網(wǎng)絡(luò)開始逼近最優(yōu)解的時候開始逐步減小學(xué)習(xí)率的大小,學(xué)習(xí)率設(shè)置如下:

式中:epoch 為迭代次數(shù),本文共迭代100 次。

4 實(shí)驗(yàn)平臺搭建

硬件平臺包括11 個ADALM-PLUTO 軟件定義無線電設(shè)備和1 臺工作站,如圖11 所示。ADALM-PLUTO 是一款獨(dú)立自足的便攜式射頻學(xué)習(xí)模塊,射頻頻率范圍為325 MHz ～3.8 GHz,可調(diào)信道帶寬為200 kHz ～20 MHz,調(diào)制精度小于或等于-40 dB,集成12 位ADC(接收端)和DAC(發(fā)送端),含有一個發(fā)射器和一個接收器,支持半雙工或全雙工。 本文使用10 個ADALM-PLUTO 軟件定義無線電設(shè)備作為發(fā)射設(shè)備,1 個作為接收設(shè)備,基于IEEE 802.15.4 無線通信協(xié)議,采用OQPSK 調(diào)制方式,發(fā)射信號中心頻率設(shè)置為2.45 GHz,接收機(jī)基帶采樣率為4 MHz,接收增益為0 dB。 工 作 站 配 置 如 下: ①顯 卡: 華 碩RTX2080TI-011G-GAMING。 ②主板:華碩PRIME X299 MARK2。 ③CPU: 因 特 爾 酷 睿-i9-9900X,3.5 GHz ×10 核/20 線程。

圖11 ADALM-PLUTO 軟件定義無線電設(shè)備和工作站Fig.11 ADALM-PLUTO software-defined radio equipment and workstation

本文使用的網(wǎng)絡(luò)框架為PyTorch,編程語言為Python,操作系統(tǒng)為Windows10。

5 實(shí)驗(yàn)結(jié)果及分析

為了分析信道對射頻指紋識別結(jié)果的影響及本文使用的Inception 網(wǎng)絡(luò)結(jié)構(gòu)對信道變化的魯棒性,共建立了3 種不同傳輸距離下的導(dǎo)頻數(shù)據(jù)集,分別為同軸線連接條件、1 m 無線傳輸和10 m無線傳輸條件,每種距離條件下的數(shù)據(jù)集均包含10 個 設(shè) 備 的 導(dǎo) 頻 數(shù) 據(jù), 共 16 000 × 10 =160 000 個導(dǎo)頻數(shù)據(jù)。 首先,利用該數(shù)據(jù)集測試了Inception 網(wǎng)絡(luò)的分類效果;然后,利用同樣的數(shù)據(jù)集測試了文獻(xiàn)[11-12,14]中使用的基于AlexNet網(wǎng)絡(luò)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)構(gòu)是目前射頻指紋識別領(lǐng)域最常用的網(wǎng)絡(luò)結(jié)構(gòu),也是取得效果最好的一種網(wǎng)絡(luò)結(jié)構(gòu),文獻(xiàn)[11-12]中所使用的網(wǎng)絡(luò)共包含2 層卷積層、2 層池化層和1 層全連接層,文獻(xiàn)[14]中使用的網(wǎng)絡(luò)包含6 層卷積層、6 層池化層和1 層全連接層,3 種網(wǎng)絡(luò)的分類結(jié)果如圖12 所示。

圖12(a)為本文所使用Inception 網(wǎng)絡(luò)的分類結(jié)果,圖12(b)為文獻(xiàn)[11-12]中使用的2 層卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果,圖12(c)為文獻(xiàn)[14]中使用的6 層卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果。 從3 種分類結(jié)果不難看出,3 種網(wǎng)絡(luò)結(jié)構(gòu)對于同軸線連接條件下的導(dǎo)頻數(shù)據(jù)集都有很好的分類效果,但是隨著傳輸距離增加,分類精度都有所降低。 這是因?yàn)?在無線傳輸過程中,多徑效應(yīng)和信道噪聲的影響會給信號引入信道指紋,因此分類器記住的是信道指紋與設(shè)備指紋之和,當(dāng)傳輸距離增加時,無線信道條件惡化,信號受信道指紋的影響就會增大,從而模糊設(shè)備本身的指紋特征,從而導(dǎo)致了分類精度的下降,同時也能夠看到,隨著傳輸距離的增加,Inception 網(wǎng)絡(luò)分類精度下降的幅度相較于其他2 種網(wǎng)絡(luò)要小,由此可以說明,Inception 網(wǎng)絡(luò)對于信道的魯棒性要強(qiáng)于另外2 種網(wǎng)絡(luò)。 為了更直觀地說明Inception 網(wǎng)絡(luò)的優(yōu)勢,圖13 對比了1 m和10 m 距離下3 種網(wǎng)絡(luò)的分類結(jié)果。

圖12 三種網(wǎng)絡(luò)的分類結(jié)果Fig.12 Classification results of three kinds of networks

圖13 1 m 和10 m 距離下3 種網(wǎng)絡(luò)分類結(jié)果對比Fig.13 Comparisons of classification results of three networks at 1 m and 10 m

從分類結(jié)果可以看出,Inception 網(wǎng)絡(luò)的分類效果整體上要優(yōu)于基于AlexNet 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)方法,在1m 距離條件下,相較于文獻(xiàn)[11-12]中的方法分類精度提高了5%左右,相較于文獻(xiàn)[14]中的方法分類精度提高了約1%,在10 m距離條件下,相較于文獻(xiàn)[11-12]中的方法分類精度提高了10%左右,相較于文獻(xiàn)[14]中的方法分類精度提高了約3%,且Inception 網(wǎng)絡(luò)即便是在10 m 距離條件下分類精度也仍然高達(dá)98.58%。

為了進(jìn)一步討論Inception 網(wǎng)絡(luò)的性能,表2從每秒浮點(diǎn)運(yùn)算次數(shù)(Flops)、網(wǎng)絡(luò)參數(shù)量和網(wǎng)絡(luò)訓(xùn)練時間3 個方面對比了3 種網(wǎng)絡(luò)的復(fù)雜度。

表2 網(wǎng)絡(luò)復(fù)雜度對比Tabel 2 Network complexity comparison

從表2 可以看出,Iceptincon 網(wǎng)絡(luò)Flops 相較于其他2 種網(wǎng)絡(luò)結(jié)構(gòu)都有所減少,同時網(wǎng)絡(luò)參數(shù)量也有所降低,這是因?yàn)镮nception 網(wǎng)絡(luò)能通過多次使用1 ×1 卷積核的方式來降低輸入數(shù)據(jù)的通道數(shù),從而達(dá)到減少網(wǎng)絡(luò)參數(shù)和復(fù)雜度的目的。

總的來說,Inception 網(wǎng)絡(luò)相較于目前射頻指紋識別領(lǐng)域中使用最多的AlexNet 模型,無論是分類精度還是網(wǎng)絡(luò)復(fù)雜度方面,整體性能都有所提升。

6 結(jié) 論

1) 本文基于IEEE 802.15.4 無線通信協(xié)議提出的導(dǎo)頻提取算法,在一定程度上解決了現(xiàn)有基于信號導(dǎo)頻的射頻指紋識別技術(shù)不能精確提取出信號導(dǎo)頻的問題,在不同的距離條件和噪聲干擾程度下,導(dǎo)頻識別和提取率均能達(dá)到100%。建立了3 種不同距離條件下的導(dǎo)頻數(shù)據(jù)集用于射頻指紋識別技術(shù)的研究。

2) 本文采用深度學(xué)習(xí)的方法對信號導(dǎo)頻數(shù)據(jù)集進(jìn)行分類,將Inception 網(wǎng)絡(luò)用于射頻指紋識別領(lǐng)域,與目前射頻指紋識別領(lǐng)域最常用的Alex-Net 網(wǎng)絡(luò)結(jié)構(gòu)相比,分類精度有所提升,在10 m距離下分類精度仍能達(dá)到98.58%。