基于多尺度窗口和區域注意力殘差網絡的無線電力終端身份識別方法

趙洪山 孫京杰 彭軼灝 趙仕策 許俊洋 王羽豐

基于多尺度窗口和區域注意力殘差網絡的無線電力終端身份識別方法

趙洪山1孫京杰1彭軼灝2趙仕策1許俊洋1王羽豐1

（1. 華北電力大學電力工程系 保定 071000 2. 國網南昌供電公司 南昌 330000）

針對現有無線通信設備信號識別方法需對信號進行域變換、增加網絡輸入數據維數的問題，該文提出基于多尺度窗口區域注意力殘差網絡的無線電力終端身份識別方法。首先，通過所提多尺度窗口模塊完成信號前導碼在各個周期尺度下的信息交互，使網絡能夠直接處理并識別原始無線通信信號數據；然后，設計區域注意力模塊，以顯著特征區域均值為評價指標對通道資源進行重新分配，提高了網絡對信號局部特征的學習能力；最后，以池化分類器替代全連接層，采用Adam優化器進行梯度更新完成訓練過程。實際采集無線信號數據實驗結果表明，設計的各模塊可顯著提升網絡的訓練與識別性能，相同型號設備識別準確率提高至97.316%，非法設備的檢測率達82.8%，可有效增強電力系統的無線通信安全。

無線通信安全 殘差網絡 身份識別 物理層安全 注意力機制

0 引言

隨著電力系統“數字化”轉型的全面加快建設[1-2]，大量電力物聯網無線終端應用于電力系統的各個環節中，實現對電力設備的信息感知與狀態評估[3-5]。但現有無線終端因制造成本等約束，主要采用傳統密碼算法或安全協議的身份認證機制，容易遭受惡意攻擊，給電力系統的無線通信帶來安全隱患[6-7]。對于已部署的無線終端，不易增設影響其現有通信方式與協議的安全機制[8]。因此，亟須一種更安全且不影響已部署設備的身份認證機制，有效提升電力系統的無線通信安全，為電力系統“數字化”轉型提供有力支撐。

近年來，基于無線網絡物理層安全的身份認證機制受到了學者的廣泛關注[9-10]。由于無線設備存在硬件制造差異，致使所發送的信號出現細微畸變，形成可用于設備身份識別的信號特征。硬件差異的隨機性導致對應唯一的信號特征可用于識別設備身份，進而實現對合法設備的認證與非法設備的檢測[11]。相對于目前的信息安全機制，基于物理層的身份識別方法因不需改變已部署設備的通信協議與硬件結構，在電力系統無線通信安全方面具有很大優勢。

目前的無線信號識別技術可分為基于人工特征的傳統方法和基于深度學習的方法。傳統方法方面，文獻[12-13]提取信號的時域統計特征實現對設備身份的識別；文獻[14-15]利用信號的頻譜特征來區分不同設備的無線信號。文獻[16]提出基于稀疏表示的信號分類方案實現設備身份識別。傳統方法可較高精度地識別不同型號的設備，但存在網絡泛化能力差、相同型號設備識別精度低等問題。

基于深度學習的方法是利用深度神經網絡學習信號樣本的多層次特征，提取信號內在的細微差異，實現無線通信設備的身份識別。深度學習避免了人為提取信號特征的不完備性，具有泛化能力強及相同型號設備識別率高等優點[17-18]。文獻[19-21]利用卷積神經網絡（Convolution Neural Network, CNN）和殘差網絡（Residual Network, ResNet）實現對多種信號的分類識別。文獻[22]將信號時域波形轉換成二維頻譜圖，通過對多層感知器、長短期記憶（Long Short Term Memory, LSTM）人工神經網絡及CNN的對比分析，最終采用CNN學習信號頻譜圖實現對相同設備的高精度識別；文獻[23]提出改進CNN模型對時域信號轉換后的差分星座軌跡圖進行學習，實現了對無線設備較高的識別準確率；文獻[24]將信號時域波形轉換成二維時頻圖像，采用擴張殘差網絡提取信號視頻圖像特征，實現信號分類識別。然而，目前的深度學習方法主要對信號預處理轉化后的二維數據進行識別分類，信號預處理復雜且數據擴維在一定程度上提高了網絡對無線信號特征的尋覓難度。

針對上述問題，提出了基于多尺度窗口區域注意力殘差網絡（Multiscale Window Region Attention Residual Network, MWRA-ResNet）的無線電力終端身份識別技術。本文首先針對無線信號前導碼特征，提出多尺度窗口（Multiscale Window, MW）模塊對前導碼各子幀信息進行關聯學習，使得網絡可直接處理與學習信號原始數據；在此基礎上，設計區域注意力（Region Attention, RA）模塊，利用區域的評價指標調整特征通道的分配占比，提升網絡對局部信號特征的提取性能，最終進行了無線終端身份識別實驗。實驗結果表明，本文方法顯著提升了對相同型號設備的識別精度，30個相同型號傳感設備的實驗識別精度可達97.316%，同時對非法設備識別率達82.8%。

1 電力物聯網終端身份識別系統

由于無線通信終端的發射機元件制造差異、印制電路板印刷工藝等的影響，導致其發送的無線信號發生微弱畸變。差異的隨機性導致對應的信號畸變可唯一反映終端身份，且作為物理層安全機制不會影響已部署電力終端的通信方式，僅需加設裝置系統即可，可有效增強電力系統無線通信的安全性。

圖1為基于MWRA-ResNet電力物聯網終端身份識別系統，在無線終端接入電網前采集其無線通信信號，導入MWRA-ResNet模型中訓練網絡并提取設備特征，存儲在合法設備庫中并注冊。模型訓練完成并驗證后，基于MWRA-ResNet身份認證系統可與無線通信終端一同入網。

圖1 基于MWRA-ResNet電力物聯網終端身份識別系統

當無線終端接入電力物聯網進行通信時，系統首先采集終端無線通信的原始信號數據，接著利用MWRA-ResNet模型對終端進行身份識別，最后與設備入網前記錄的合法設備庫進行身份比對。當采集到的信號來源于合法設備庫中時，判定為合法設備并通過認證；當信號來源的特征不屬于合法設備庫時，判定為非法設備進行報警并終止通信。

2 基于MWRA-ResNet的身份識別模型

傳統殘差網絡模型雖在分類問題中得到了廣泛的應用，但存在無法直接處理信號原始數據以精確識別設備差異等問題。鑒于傳統ResNet在原始信號識別上的缺陷，提出了多尺度窗口和區域注意力殘差網絡，網絡結構如圖2所示，其中，input為無線通信信號的原始數據；output為設備身份認證結果，即合法設備與設備ID或非法設備；MWM為提出的多尺度窗口模塊；RARN為提出的區域注意力殘差網絡模塊；Conv為卷積層；BatchNorm為批量歸一化層；PReLU為激活函數層；PC為池化分類器。

圖2 多尺度窗口區域注意力殘差網絡

2.1 無線通信信號特性分析

由于無線終端發射機的電子元器件存在制造容差、電路板走線及封裝工藝、元件類型及布局等硬件差異，導致無線信號出現相應的參數偏差，產生因硬件差異隨機性的可反映設備身份的唯一特征，例如：直流偏置、I/Q增益不平衡、I/Q正交偏移誤差、I/Q兩路濾波器偏差及功放非線性等特點，可用基于人工特征的傳統方法進行身份識別，也為基于深度學習算法提供了理論依據[11,25-26]。

在無線通信中，由于IQ（in-phase quadrature）采樣相較于傳統實值采樣的優點，軟件無線電系統接收端采集得到的無線信號原始數據多為時域I/Q信號，分為同相分量與正交分量兩路數據。I/Q信號兩路數據間相互正交且信息相關，且存在硬件差異導致的信號畸變特征，滿足卷積神經網絡卷積核需求的空間相關性。可針對性地改進深度學習神經網絡，進而實現對原始I/Q信號的學習與設備的身份識別認證。

圖3為采集得到的無線信號前導碼的原始I/Q信號波形，目前無線通信技術中，普遍在信號數據前加入前導碼，由于前導碼具有與通信數據無關、形式固定和易于采集等優點，故選擇無線信號的前導碼進行無線信號差異特征的學習與設備識別。

圖3 原始I/Q信號波形

若利用神經網絡直接對整個信號進行學習，網絡不易學習信號局部特征，且容易受信號傳輸數據信息、噪聲及環境因素的干擾，會降低網絡的學習性能和識別甚至于無法實現識別。由于前導信號的幀格式基本固定，導致前導信號在時域波形上呈現周期性，因此可根據此特性設計模塊處理局部區域信息并強化特征學習。

2.2 多尺度窗口模塊

針對上述影響因素，基于前導碼信號中存在的宏觀波形周期性，在網絡的第一層構建了多尺度窗口模塊。

提出的多尺度窗口模塊結構如圖4所示，其中，MWE為多尺度窗口提取，GC為分組卷積，CS為通道堆疊，淺色部分為奇數列窗口，深色部分為偶數列窗口。對于輸入的I/Q信號，首先通過倍窗口與/2倍橫移步長（取1/2,1/4,1/8）對信號進行提取重組。由于奇數列與偶數列的周期相似性不同，對提取窗口按奇偶進行分組排列。然后利用分組卷積對各尺度窗口進行特征提取，通過設定橫向卷積步長（stride=1, 2, 4），將提取的通道特征控制在同一大小。最后，將各尺度通道特征進行堆疊輸出。

圖4 多尺度窗口模塊

該操作通過對信號周期相似性部分進行聯動學習，使得網絡具備學習并分辨子幀信息及抑制噪聲干擾的能力，從而提升網絡學習無線信號并區分差異的能力。

2.3 區域注意力模塊

注意力機制是一種資源分配的機制，對于原本平均分配的資源，通過對注意力對象的部分特性進行重要性評價，最終重新分配資源。而硬件差異帶來的信號畸變一般體現為局部的特征差異，現有的傳統注意力機制考慮的是特征通道的整體，無法有效識別網絡的局部特征差異。

鑒于傳統注意力機制在無線信號識別中的上述問題，提出了區域注意力機制模塊，在殘差網絡的批量歸一層之后添加了區域注意力機制模塊，以最大區域特征均值為評價指標，完成通道占比的重新分配。

區域注意力機制的單元結構如圖5所示，其中，、為特征圖大小，特征圖為網絡中卷積核輸出的特征；為特征通道數量，在圖4中信號經MWE重組后，GC分組卷積后的紅色、藍色及黃色部分為特征通道，即為各部分對應的數量；Avg為全局自適應均值池化層，為池化輸出個數，本文取標簽種類個數且與已知類別數相同，Max為全局最大池化層，FC為全連接層，Mul為乘法運算。區域注意力機制通過全局自適應均值池化，對特征通道按標簽種類數進行區域劃分并分別計算區域特征均值，隨后利用全局最大池化層提取顯著區域均值作為評價指標，最后采用三層全連接層擬合指標分配函數，獲得最終的通道權重為

圖5 區域注意力機制

該模塊通過對通道進行區域劃分，提取最大特征區域均值作為評價指標，隨后利用指標分配函數完成特征通道占比的重新分配，有效增加了顯著區域信息對通道的影響力，提高了網絡對局部信號的提取性能。

2.4 MWRA-ResNet識別流程

MWRA-ResNet實現無線電力終端身份識別的完整流程如圖6所示，該方法通過采集待入網無線電力終端的原始I/Q信號進行訓練，利用提出的MW模塊在不對信號數據進行重構的前提下實現對信號的分類，提出的RA模塊加速了網絡的訓練速度。訓練好的網絡可對采集到的信號進行識別，并與入網前記錄的合法設備庫進行比對，實現對設備身份的識別。

3 實驗及性能分析

為評估所提方法的識別效果與所提出的各模塊的性能，實際采集30個相同型號設備，共計30 000個數據進行設備身份識別實驗。為更全面地分析所提出的各模塊具體表現，對包含不同所提出模塊的共五種改進模型進行訓練與測試集驗證，從中選取50%為訓練集，剩余50%為測試集。

圖6 MWRA-ResNet識別流程

3.1 實驗設置

在實驗室利用軟件定義無線電（Software Defined Radio, SDR）設備USRP N210采集設備的無線信號，共采集了30個相同廠商及型號的LoPy4設備，設備所用芯片為SX1276，可工作頻率范圍為137～1 020MHz，可工作帶寬為7.8～500kHz。實驗設置其工作頻率為868.1MHz，信號傳輸間隔為0.3s，信號數據選自文獻[27]，數據包長度為8 192，USRP N210采樣率為1MHz，每個設備采集1 000個前導序列的信號樣本，共計30 000個信號樣本數據。

算法代碼基于PyTorch框架，深度學習服務的GPU為NVIDIA GTX3070，運行環境為16G，CUDA11.3，CUDNN8.2.0的硬件環境。訓練實時監控為Tensorboard框架。

實驗傳統殘差網絡（ResNet）及包含不同所提子模塊的四種優化模型：單尺度窗口殘差網絡（Single-Scale Window Residual Network, SW-ResNet）、多尺度窗口殘差網絡（Multiscale Window Residual Network, MW-ResNet）、多尺度窗口傳統注意力殘差網絡（Multiscale Window Attention Residual Network, MWA-ResNet）與多尺度窗口區域注意力殘差網絡（MWRA-ResNet）進行性能分析比較，進一步驗證所提各模塊的有效性。不同模型差別及各模塊參數設定見表1。

表1 不同模型模塊設置參數

Tab.1 Setting parameters for different model modules

3.2 傳統ResNet模型性能分析

由于傳統ResNet模型的訓練時間過長，選擇先采用每組100條共3 000條信號數據進行預訓練 2 500次，再采用每組500條共15 000組數據進行訓練，ResNet模型的訓練集與測試集的識別結果如圖7所示，其中，由于測試集數據存在波動性，所有測試集結果均采取50 pts平滑度參數的相鄰平均法進行平滑處理，以便觀察及分析比較。

圖7 傳統ResNet模型訓練集與測試集識別結果

由圖7可以看出，傳統ResNet模型不僅訓練至擬合所需時間過長，在測試集的識別準確率上也較低，不適用于直接對信號原始數據進行學習訓練與身份識別。

3.3 所提四種優化模型性能分析

圖8為所提四種優化模型訓練集的Loss曲線，可以看出，相較于ResNet模型，迭代3 000次趨于收斂，所提的SW-ResNet、MW-ResNet、MWA-ResNet及MWRA- ResNet四種優化模型均進行300次迭代訓練至網絡趨于穩定。加入尺度模塊后的SW-ResNet與MW-ResNet兩種模型訓練趨于穩定所需時間大大減少，且多尺度模塊的MW-ResNet模型提升效果更加明顯。

圖8 四種優化模型訓練集與測試集識別結果

對于在MW-ResNet模型的基礎上加入傳統的通道注意力后的MWA-ResNet模型，并未對訓練時間有所提升，而加入區域注意力機制的MWRA-ResNet模型可進一步提升訓練性能，且在迭代50次后趨于穩定，證明所提的多尺度模塊與區域注意力機制可有效提升殘差網絡的學習性能。

最好的慰藉，自然是更公平的環境。“嚴夫人”和“曬官譜求關照”輿情之后，都得到了有關方面比較迅速的介入，這或許算是積極的信號。

圖9為四種優化模型測試集識別準確率結果，可以看出，相較于傳統ResNet模型64.791%的測試集識別率，加入單尺度模塊的SW-ResNet模型識別準確率可達95.943%，加入多尺度模塊的MW-ResNet模型識別準確率可達96.641%，極大提升了傳統ResNet模型的識別精度。驗證了綜合考慮前導碼信號各子幀信息的多尺度模塊對網絡性能提高的有效性。此外，對于在MW-ResNet模型的基礎上加入傳統的通道注意力后的MWA-ResNet模型，并未對識別精度有所提升，而加入區域注意力機制的MWRA-ResNet模型識別準確率可達97.316%，在提升訓練性能的同時進一步提高了識別準確率。驗證了區域注意力機制可有效提高網絡識別信號畸變特征的性能。

圖9 不同模型測試集識別準確率對比

由于傳統的分類網絡在網絡的輸出層后采用Softmax激活函數進行歸一化處理，得到輸出概率，取輸出概率的最大值對應標簽作為信號的設備型號，當所有設備輸出概率都較低時，僅選擇最大輸出概率的設備作為結果容易導致誤判，造成識別結果的不準確。為進一步精確識別結果，使評判更為客觀，在采取傳統識別準確率作為評價指標的同時，對最終設備身份判定加入概率閾值條件，提出90%置信識別準確率指標，即當識別結果的最大輸出概率達到90%及以上時定義為90%置信識別。

圖10為四種模型測試集90%置信準確率結果，可以看出，在90%置信識別下，多尺度模塊較單尺度模塊性能提升更為明顯。加入通道注意力后，對識別效果沒有提升，而加入區域注意力機制后，識別準確率繼續提升。

圖10 不同模型測試集90%置信準確率結果

綜上所述，構建的多尺度模塊由于考慮前導碼信號各子幀的信息，避免對信號整體分析導致的局部差異特征丟失，顯著提升了訓練性能與識別準確率；提出的區域注意力機制通過對通道進行區域劃分，進一步加強對區域差異特征的學習，在多尺度模塊的基礎上實現對訓練性能與識別精度進一步提升。進一步驗證了所構建模塊的性能。

3.4 設備識別結果分析

截尾平均準確率為剔除最優與最差結果后的剩余迭代次數的識別準確率均值，避免了隨機性對各模型測試集識別結果的影響，使得分析更為科學合理。

表2 不同模型身份識別結果

Tab.2 Identification result of different models

3.5 非法設備識別結果分析

為了進一步驗證模型的有效性，測試對非法設備識別的效果，選取5個未參與訓練過的LoPy4設備作為非法設備，未參與訓練過的LoPy4發送相同前導信號進行實驗，其余采集參數與先前完全一致，每個非法設備各采集400個信號樣本，以模擬非法設備進行通信的情形。

表3為非法設備身份識別結果，可以看出，設置置信識別后網絡可成功檢測非法設備，且置信度越高非法設備成功識別率越高，當為99%置信時，非法設備的平均識別率為82.80%。

表3 非法設備身份識別結果

Tab.3 Identification result of illegal devices

4 結論

本文針對電力系統無線通信安全提出了基于多尺度窗口區域注意力殘差網絡的無線電力終端身份識別方法，通過實際采集的無線通信數據進行實驗驗證，得出如下結論：

1）針對信號前導碼幀結構存在一定周期相似性，提出了多尺度窗口模塊，使網絡具備學習與分辨硬件差異導致信號畸變特征的能力。通過實驗證明了該模塊能夠有效規正網絡在分類任務中的學習方向，針對性地學習設備差異對信號帶來的影響。

2）針對傳統殘差網絡在局部特征分析上的缺陷，構建了區域注意力機制模塊，以通道劃分區域的均值最大值作為評價指標，對通道占比進行重新分配，增加了顯著區域對通道的影響力。通過實驗證明了該模塊相對通道注意力機制，能夠更好地擴大差異，提高信號分類任務的識別性能。

3）提出的基于多尺度窗口區域注意力殘差網絡的身份識別方法實現了對無線信號原始I/Q數據的差異特征自學習。實驗結果表明，提出的MWRA-ResNet模型與其他四種模型相比在學習性能上有較大提升，MWRA-ResNet模型對相同型號設備的識別準確率可達97.316%，非法設備的識別率達82.80%。

[1] 黃彥欽, 余浩, 尹鈞毅, 等. 電力物聯網數據傳輸方案：現狀與基于5G技術的展望[J]. 電工技術學報, 2021, 36(17): 3581-3593.

Huang Yanqin, Yu Hao, Yin Junyi, et al. Data transmission schemes of power Internet of Things: present and outlook based on 5G technology[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3581-3593.

[2] 王紅霞, 王波, 董旭柱, 等. 面向多源電力感知終端的異構多參量特征級融合：融合模式、融合框架與場景驗證[J]. 電工技術學報, 2021, 36(7): 1314-1323.

Wang Hongxia, Wang Bo, Dong Xuzhu, et al. Heterogeneous multi-parameter feature-level fusion for multi-source power sensing terminals: fusion mode, fusion framework and application scenarios[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1314-1323.

[3] 劉云鵬, 李歡, 田源, 等. 基于分布式光纖傳感的繞組變形程度檢測[J]. 電工技術學報, 2021, 36(7): 1347-1355.

Liu Yunpeng, Li Huan, Tian Yuan, et al. Winding deformation detection based on distributed optical fiber sensing[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1347-1355.

[4] 陳偉根, 張知先, 李劍, 等. 電氣設備狀態參量智能傳感技術[J]. 中國電機工程學報, 2020, 40(增刊1): 323-342.

Chen Weigen, Zhang Zhixian, Li Jian, et al. Intelligent sensing technology for power equipment state parameters[J]. Proceedings of the CSEE, 2020, 40(S1): 323-342.

[5] 趙仕策, 趙洪山, 壽佩瑤. 智能電力設備關鍵技術及運維探討[J]. 電力系統自動化, 2020, 44(20): 1-10.

Zhao Shice, Zhao Hongshan, Shou Peiyao. Discussion on key technology and operation & maintenance of intelligent power equipment[J]. Automation of Electric Power Systems, 2020, 44(20): 1-10.

[6] 肖勇, 錢斌, 蔡梓文, 等. 電力物聯網終端非法無線通信鏈路檢測方法[J]. 電工技術學報, 2020, 35(11): 2319-2327.

Xiao Yong, Qian Bin, Cai Ziwen, et al. Malicious wireless communication link detection of power Internet of thing devices[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2319-2327.

[7] 蘇盛, 汪干, 劉亮, 等. 電力物聯網終端安全防護研究綜述[J]. 高電壓技術, 2022, 48(2): 513-525.

Su Sheng, Wang Gan, Liu Liang, et al. Review on security of power Internet of Things terminals[J]. High Voltage Engineering, 2022, 48(2): 513-525.

[8] 徐爭光. 無線通信中物理層認證關鍵技術的研究綜述[J]. 華南理工大學學報(自然科學版), 2018, 46(5): 47-52.

Xu Zhengguang. Review of physical-layer authentication key technology in wireless communication[J]. Journal of South China University of Technology (Natural Science Edition), 2018, 46(5): 47-52.

[9] 劉銘, 劉念, 韓曉藝, 等. 一種基于射頻指紋的電力物聯網設備身份識別方法[J]. 中國電力, 2021, 54(3): 80-88.

Liu Ming, Liu Nian, Han Xiaoyi, et al. A RF fingerprint based EIoT device identification method[J]. Electric Power, 2021, 54(3): 80-88.

[10] 陳子驍, 周小明, 李釗, 等. 一種基于射頻指紋的電網無線設備入侵檢測算法[J]. 無線電工程, 2021, 51(5): 352-359.

Chen Zixiao, Zhou Xiaoming, Li Zhao, et al. An intrusion detection algorithm for power grid wireless equipment based on radio frequency fingerprint[J]. Radio Engineering, 2021, 51(5): 352-359.

[11] 袁紅林, 胡愛群. 射頻指紋的產生機理與惟一性[J]. 東南大學學報(自然科學版), 2009, 39(2): 230-233.

Yuan Honglin, Hu Aiqun. Fountainhead and uniqueness of RF fingerprint[J]. Journal of Southeast University (Natural Science Edition), 2009, 39(2): 230-233.

[12] Bihl T J, Bauer K W, Temple M A. Feature selection for RF fingerprinting with multiple discriminant analysis and using ZigBee device emissions[J]. IEEE Transactions on Information Forensics and Security, 2016, 11(8): 1862-1874.

[13] Uzundurukan E, Ali A M, Dalveren Y, et al. Performance analysis of modular RF front end for RF fingerprinting of bluetooth devices[J].Wireless Personal Communications, 2020, 112(4): 2519-2531.

[14] 王歡歡, 張濤. 結合時域分析和改進雙譜的通信信號特征提取算法[J]. 信號處理, 2017, 33(6): 864-871.

Wang Huanhuan, Zhang Tao. Extraction algorithm of communication signal characteristics based on improved bispectra and time-domain analysis[J]. Journal of Signal Processing, 2017, 33(6): 864-871.

[15] Suski W C, Temple M, Mendenhall M, et al. Radio frequency fingerprinting commercial communication devices to enhance electronic security[J]. International Journal of Electronic Security and Digital Forensics, 2008, 1(3): 301-322.

[16] Yang K, Kang J, Jang J, et al. Multimodal sparse representation-based classification scheme for RF fingerprinting[J]. IEEE Communications Letters, 2019, 23(5): 867-870.

[17] 趙洪山, 彭軼灝, 劉秉聰, 等. 基于邊緣注意力生成對抗網絡的電力設備熱成像超分辨率重建[J]. 中國電機工程學報, 2022, 42(10): 3564-3572.

Zhao Hongshan, Peng Yihao, Liu Bingcong, et al. Super-resolution reconstruction of electric equipment's thermal imaging based on generative adversarial network with edge-attention[J]. Proceedings of the CSEE, 2022, 42(10): 3564-3572.

[18] 曲岳晗, 趙洪山, 馬利波, 等. 多深度神經網絡綜合的電力變壓器故障識別方法[J]. 中國電機工程學報, 2021, 41(23): 8223-8230.

Qu Yuehan, Zhao Hongshan, Ma Libo, et al. Multi-depth neural network synthesis method for power transformer fault identification[J]. Proceedings of the CSEE, 2021, 41(23): 8223-8230.

[19] O’Shea T J, Corgan J, Clancy T C. Convolutional radio modulation recognition networks[C]//International Conference on Engineering Applications of Neural Networks, Cham, Springer, 2016: 213-226.

[20] O’Shea T J, Roy T, Clancy T C. Over-the-air deep learning based radio signal classification[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 168-179.

[21] West N E, O'Shea T. Deep architectures for modulation recognition[C]//2017 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN), Baltimore, MD, USA, 2017: 1-6.

[22] Shen Guanxiong, Zhang Junqing, Marshall A, et al. Radio frequency fingerprint identification for LoRa using deep learning[J]. IEEE Journal on Selected Areas in Communications, 2021, 39(8): 2604-2616.

[23] Peng Linning, Zhang Junqing, Liu Ming, et al. Deep learning based RF fingerprint identification using differential constellation trace figure[J]. IEEE Transactions on Vehicular Technology, 2020, 69(1): 1091-1095.

[24] 秦鑫, 黃潔, 查雄, 等. 基于擴張殘差網絡的雷達輻射源信號識別[J]. 電子學報, 2020, 48(3): 456-462.

Qin Xin, Huang Jie, Zha Xiong, et al. Radar emitter signal recognition based on dilated residual network[J]. Acta Electronica Sinica, 2020, 48(3): 456-462.

[25] Wang Wenhao, Sun Zhi, Piao Sixu, et al. Wireless physical-layer identification: modeling and validation[J]. IEEE Transactions on Information Forensics and Security, 2016, 11(9): 2091-2106.

[26] Shi Yan, Jensen M A. Improved radiometric identification of wireless devices using MIMO transmission[J]. IEEE Transactions on Information Forensics and Security, 2011, 6(4): 1346-1354.

[27] Shen Guanxiong, Zhang Junqing, Marshall A, et al. Towards scalable and channel-robust radio frequency fingerprint identification for LoRa[J]. IEEE Transactions on Information Forensics and Security, 2022, 17: 774-787.

Wireless Power Terminal Identification Method Based on Multiscale Windowed Deep Residual Network

Zhao Hongshan1Sun Jingjie1Peng Yihao2Zhao Shice1Xu Junyang1Wang Yufeng1

（1. Department of Electrical Engineering North China Electric Power University Baoding 071000 China 2. State Grid Nanchang Power Supply Company Nanchang 330000 China）

The technique of wireless terminal identification based on the differential characteristics of wireless signals is currently an important physical layer security mechanism. However, traditional wireless signal identification methods generally require signal-signal domain conversion. Therefore, the dimensionality of the data and the arithmetic power requirements are enhanced. This can increase the application cost of this security mechanism. To solve this problem, a residual network-based wireless power terminal identification method is proposed. With the designed multiscale window module and area attention module, it can directly process the signal raw data to accurately identify the legal device identity and illegal device detection.

First, the proposed multiscale window module completes the information interaction of the signal precursor code at each cycle scale, enabling the network to directly process and identify the raw wireless communication signal data. Then, the regional attention module is designed to reallocate channel resources with the mean value of significant feature regions as the evaluation index, which improves the network's ability to learn local features of signals. Finally, a pooling classifier is used to replace the fully connected layer, and the Adam optimizer is used for gradient update to complete the training process. In this model, the multiscale window module makes use of the leading code subframe feature, which can directly process the original signal data and greatly improve the learning performance recognition effect.

The experimental results on the actual collected wireless terminal signal data show that the multiscale module improves the recognition accuracy by 31% compared with the traditional residual network due to the comprehensive consideration of the information of each subframe of the leading code signal. The recognition accuracy and learning performance of the network are significantly improved, which verifies the effectiveness of the module on network performance improvement. The addition of the regional attention mechanism further improves the recognition accuracy while improving the training performance. It is verified that the region attention mechanism can effectively improve the performance of the network in recognizing signal distortion features. The recognition accuracy is up to 97.316% for 30 identical models of commercial devices. Also, the maximum value of the output probability corresponding to the label is selected as the identification result of the identity, and the threshold of the output probability is defined as the confidence level, which can also detect the illegal devices while further scientific evaluation. Five experiments of uninvolved training devices are selected for illegal detection, and the results show that when the confidence level is 99%, the detection rate of illegal devices reaches 82.8%.

The following conclusions can be drawn from the analysis of the experimental results: ① The constructed multiscale module avoids the loss of local difference features caused by the analysis of the signal as a whole because it considers the information of each subframe of the leading code signal, which significantly improves the training performance and recognition accuracy. ② The proposed regional attention mechanism further enhances the learning of regional difference features by dividing the channel into regions, which achieves a significant improvement in the training performance and This achieves further improvement of training performance and recognition accuracy. ③ The proposed identification method based on multi-scale windowed regional attention residual network achieves self-learning of the difference features of the original I/Q data of wireless signals. The recognition accuracy of the same model device can reach 97.316%, and the recognition rate of illegal devices reaches 82.8%.

Wireless communication security, residual networks, identity authentication, physical layer security, attention mechanism

10.19595/j.cnki.1000-6753.tces.221122

TN92

趙洪山 男，1965年生，教授，博士生導師，研究方向為電力設備的智能感知與狀態評估，電力系統信息通信技術等。E-mail：zhaohshcn@126.com

孫京杰 男，1999年生，碩士，研究方向為電力系統無線通信安全。E-mail：jingjie_sun@ncepu.edu.cn（通信作者）

2022-06-14

2022-08-12

（編輯 郭麗軍）