基于卷積自編碼的衛星通信入侵檢測方法研究

王兆霖 漆亞江 王月 沈玉 王睿

摘要：現代通信手段中衛星通信憑借其覆蓋范圍廣、通信質量高、網絡建設速度快等優點在戰場環境中有著舉足輕重的戰略地位，但是由于其通信信道裸露的特點，也易于被攻擊、干擾或入侵，尤其是非法站點偽裝成合法通信方進行非法接入，對軍事通信安全和信息保密有著致命威脅，從物理層識別接入設備特征是解決此安全問題的一個有效途徑。自編碼器作為一種無監督神經網絡，能有效地進行特征提取，并通過閾值設置，區分正常和異常信號。針對DVB-S2協議物理幀起始標志字（Start of Frame，SOF）內容固定、調制方式固定等特點，提出了利用自編碼器對重復的SOF段功率譜進行無監督學習，設計了基于SOF功率譜的卷積自編碼網絡，并對比了不同采樣點數和信噪比下檢測的正確率。

關鍵詞：衛星通信；卷積自編碼；特征提??；異常檢測

中圖分類號：TN927文獻標志碼：A文章編號：1008-1739（2023）01-64-6

0引言

隨著通信系統的不斷發展，衛星通信頻帶寬、傳輸容量大、架設環境要求寬松等特點成為戰時必要的通信手段之一，但是與眾多無線通信一樣，用戶假冒身份、設備克隆等問題亟待解決。傳統的安全認證機制大都采取后端密碼學設備，這種機制并不完美，存在秘鑰泄露和協議漏洞的風險。

為解決此問題，基于物理層的入侵檢測變得尤為重要。由于設備電子元件的差異，各種細微的畸變使得發出的電磁波包含獨特的特征，這種特征稱為射頻指紋（Radio Frequency Fingerprinting，RFF）[1]。本文基于這一特性，設計了對接收信號進行處理、提取出RFF特征并進行異常檢測的方法，實現對非法衛星信號的有效識別，對衛星通信系統防入侵具有重要意義。

現今，大多文獻的重點研究內容為個體識別，即一種有監督的分類學習。通常，分類樣本是有限的，但通信異常檢測[2-4]的任務樣本通常不能窮舉，是一種無監督的分類，本文將功率譜作為待識別樣本，利用卷積自編碼器（參考）對樣本進行識別。

本文首先分析了畸變信號，然后對信號進行功率譜估計，最后利用卷積自編碼網絡對畸變信號進行異常檢測。

1射頻特征的選擇

衛星通信的射頻指紋僅由設備的自身硬件差異所決定，即使是同一設備制造商生產的同一型號的設備，也會存在一些因元器件容差而產生的不同畸變。通過對接收信號的分析，可以提取出衛星通信設備獨一無二的RFF特征。因此利用該特性，就可以為有效識別合法和非法設備，防止非法用戶進行設備仿冒，實施下一步破壞活動提供數據支持。

在基帶信號通過各種設備直至發射的整個過程中，每個中間設備的元器件容差都會對信號造成相應的變化。圖1展示了一種數字基帶信號的發射過程，發射信號通過I/Q調制器、濾波器、功放、振蕩器等電路完成畸變，RFF就來源于這些畸變[5]。

現階段，國內使用的多數衛星通信調制解調器是基于DVB-S2標準設計的。依據DVB-S2標準[6]，系統在信號傳輸時會形成3幀，首先是基帶幀，然后是糾錯幀，最后是物理幀。本文主要研究對象是物理幀的幀頭部分（前同步碼）的SOF段，圖2是DVB-S2物理幀格式。其中XFECFRAM為映射后的基帶信號，物理成幀時，將XFECFRAM每90個符號分一組，組成一個SLOT，然后每16個SLOT中間插入一個未經調制的導頻部分，最后加入幀頭PLHEADER，即為物理幀前導碼部分。該部分又由兩部分組成：

①SOF（26符號），定義幀的開始；

②PLSCODE（64符號），定義XFECFRAME部分的調制方式，長度等信息。

前導碼部分固定使用π/2 BPSK進行調制，其中SOF部分為固定不變序列，18D2E82HEX（01-1000-…-0010），其不受發射端調制方式、編碼方式等參數的改變而改變，利用信號的前同步碼SOF部分作為網絡輸入能夠有效避免信號負載對RFF識別結果帶來的不利影響，因此SOF段數據可以選做RFF特征進行異常檢測的使用。

2基于SOF功率譜的卷積自編碼方法設計

2.1自編碼網絡

自編碼器[7]是無監督神經網絡的一種，利用高維特征向量對自己進行編碼，輸出入與輸出均為無標簽的樣本。本質上，自編碼器是接收輸入樣本，將其轉換成高維特征向量（隱含層）。然后再利用隱含層的信息重構出輸入樣本，最終目的是希望輸入、輸出保持一致。自編碼器包含兩部分：編碼器和解碼器。解碼器的輸出嘗試復制編碼器的輸入。

2.2基于卷積自編碼器的異常檢測方法

卷積自編碼器將輸入樣本“映射”到低維空間，通過對其進行重建來學習樣本的數據規律和內在通用特性，而異常樣本由于與正常樣本存在的內在特性差異較大，因此重建誤差較大?？梢曰谏鲜隼碚撛O計基于卷積自編碼器的異常檢測方法，基本流程如圖3所示。

訓練時，首先對輸入信號樣本進行歸一化，然后通過編碼器進行特征提取得到信號的低維特征表示，接著解碼器將低維特征表示進行重建，得到重建樣本，通過降低重建樣本和原有樣本之間的誤差來對網絡進行訓練。

測試時，將待測樣本集輸入至如圖3所示的結構中得到待測樣本的重建誤差，根據重建誤差的大小來判斷該樣本是否異常樣本，如果重建誤差明顯大于訓練集的重建誤差，那么該樣本有很大概率為異常樣本。

由此可以將功率譜數據當做單通道進行輸入，形成基于SOF功率譜數據的自編碼異常檢測方法，其流程如圖4所示。

在功率譜估計過程中有很多種評價功率譜估計好壞的標準[8]，但是由于大部分入侵行為都是在正常通信的環境中進行的，即雙方正在通信，非法方通過功率壓制強行接入，此時非法方的信噪比不會很高，要進行異常檢測，需要尋求一種對噪聲不敏感且分辨率較高的功率譜估計方法。頻譜分辨率是功率譜上相鄰兩頻點的最小區分量級，類似于頻譜儀上的帶寬分辨率（Resolution Bandwidth，RBW），分辨率越高，顯示的頻率成分越精細，能觀察到的頻率成分越清晰。頻譜的方差大小反映的是頻譜波動性的大小，方差過大時，頻譜的細節就不容易表現出來。導致不易被觀察或捕獲到。在異常檢測時，往往是一些細微差別決定了檢測結果，因此選擇一個正確的功率譜估計方法非常重要。

此方法應用窗函數對周期圖進行了平滑處理，同時為了避免分段帶來的頻譜分辨率降低，Welch法將每段數據與前一段數據進行一定長度的疊加，進一步改善了估計性能。

Welch算法分段法如圖5所示。

3實驗結果與分析

3.1實驗設置

參數設置：批處理（batch size）大小為100，迭代周期（epochs）為150，學習率初始設置為0.01，設置學習率在第30，60次迭代時分別下降10倍的動態學習率調整策略（MultiStepLR）。實驗采用的網絡結構主要由編碼塊和解碼塊組成，每個編碼塊和解碼塊中又由多個卷積層、批歸一化層等基本網絡層組成，網絡結構如圖6所示。

異常檢測是一種無監督學習，在評價時可以當做一種特殊的二分類問題。通常，將正常數據定義為正類，異常數據定義為負類。TP表示真實為正，預測為正，TN表示真實為負，預測為負，FP表示真實為正，預測為負，FN表示真實為負，預測為正。用于評價指標的混淆矩陣如表5所示。

本文主要使用真正例率（TPR），也叫漏警率；假正例率（FPR），也叫虛警率繪制ROC曲線，以及計算AUC來評判分類器的好壞。

ROC曲線[9]能對分類器進行準確地評估，且不需要特定的決策閾值，因為ROC曲線遍歷了所有閾值，ROC曲線橫軸為FPR，縱軸為TPR。AUC為ROC曲線下面積，能夠作為一種ROC的量化標準，該指標廣泛地作為ROC的比較準則，AUC可以取0～1，但是通常為0.5～1。

3.2實驗結果

首先研究FFT點數對異常檢測的影響，固定信噪比為5 dB，分別對512，1 024，2 048，5 120個FFT點進行檢測。圖7為不同采樣點數生成的ROC曲線，信噪比同樣設置為5dB。

從ROC曲線來看，點數越高，AUC值越高?？梢奆FT點數越高，頻譜分辨率越高，學習到的特征越多，越容易分辨。表6為各點數的虛警數、漏警數以及總正確率，閾值設置為1.2倍均方誤差的均值。

由表6可以看出，閾值為1.2倍均方誤差的均值時，5120點正確率達到了98.46%，結合上述ROC曲線同樣可以看出，采樣點數越高性能越好。

研究信噪比對檢測結果的影響，選取FFT點數為2048，信噪比分別設置為1，3，5dB。圖8為不同信噪比生成的ROC曲線。

信噪比對檢測性能的影響比較直觀，呈正比關系。信噪比越高，AUC曲線越接近于直角。表7為各信噪比的虛警數、漏警數以及總正確率。

可以看出，信噪比為5 dB時，PSD-AE方法的虛警和漏警低，正確率高。雖然從ROC曲線上觀察到3，5 dB的AUC曲線相差不大，但正確率卻有很大差異，主要是因為低信噪比時正常數據與異常數據的均方誤差間差距不夠大，閾值較難調整，造成正確率差異較大。

為了更直觀地觀察PSD-AE的網絡運行效果，給出t-distributed Stochastic Neighbor Embedding（TSEN）圖。TSEN是一種常用的非線性降維算法，一般用于高維數據降低至二維或者三維，并進行可視化。

圖9為3 dB時PSD-AE分別采用FFT為512，1 024點的TSEN圖?？梢灾庇^看出，點數越高，區分效果越好。

4結束語

本文提出了基于卷積自編碼的衛星通信入侵檢測方法，該方法對衛星通信物理幀頭SOF段的功率譜進行檢測，相較于傳統聚類方法在低信噪比時的識別率有了較大的提高。自編碼檢測法僅對主要特征進行提取，對噪聲不是很敏感，因此抗噪聲能力強，準確率很高，能夠適用于復雜電磁環境。但在整個仿真過程中，也存在一些問題，比如各個畸變參數是否切合實際、符合規定，神經超參數的設置能否優化，使得網絡運行速度更快、響應更及時。

參考文獻

[1] HALL J，BARBEAU M， KRANAKSI E.Detection of Transient in Radio FrequencyFingerprinting Using Signal Phase[J/OL].[2022-09-20].https：//static.aminer. org/pdf/PDF/000/274/667/robust_detection_of_signals_ with_unknown_frequency_and_phase.pdf.

[2] LIU Y，LI R，BAO J，et al.A Statistical Study of the Ionospheric Anomalies Affecting SBAS Safety Detected over China Area in 2015[C]//第十一屆中國衛星導航年會論文集-S07衛星導航增強技術.成都：中國衛星導航系統管理辦公室學術交流中心，2020：18.

[3]金文進，楊武.異常檢測技術研究綜述[J].軟件導刊，2008（1）： 10-13.

[4]徐菁.頻譜異常檢測技術綜述[J].信息與電腦（理論版）， 2020，32（23）：214-216.

[5]潘一葦.通信輻射源個體識別關鍵技術研究[D].鄭州：戰略支援部隊信息工程大學，2019.

[6]藍常源.基于DVB-S2的寬帶衛星通信技術應用研究[D].西安：西安電子科技大學，2015.

[7]袁非牛，章琳，史勁亭，等.自編碼神經網絡理論及應用綜述[J].計算機學報，2019，42（1）：203-230.

[8]何霜寧.多窗口譜估計方法的研究[D].杭州：浙江工商大學， 2020.

[9]王彥光，朱鴻斌，徐維超. ROC曲線及其分析方法綜述[J].廣東工業大學學報， 2021， 38（1）： 46-53.