基于高阶统计量的射频指纹识别技术研究

1. 引言

1.1 研究背景

1.1.1 无线通信的安全性挑战

• 随着无线通信技术的发展，无线设备的安全认证成为一个重要问题。
• 传统的基于MAC或IP地址的认证方式在安全性和抗攻击能力上存在不足。
• 射频指纹识别技术作为一种新兴的设备认证技术，具有独特优势。

1.1.2 射频指纹识别技术概述

• 射频指纹识别技术利用无线设备固有的硬件特性进行设备认证。
• 射频指纹来源于无线设备制造过程中的硬件缺陷。
• 射频指纹具有唯一性和稳定性，不易被篡改。

1.2 射频指纹识别技术研究现状

1.2.1 射频指纹特征与射频缺陷

• 射频指纹特征与射频设备的硬件缺陷密切相关。
• I/Q失配、非线性功放等硬件缺陷会导致射频信号特征的变化。
• 射频指纹特征的提取方法主要包括瞬态信号特性和稳态信号特性。

1.2.2 射频指纹特征提取

• 瞬态信号特征提取方法包括时域、频域和时频域分析。
• 稳态信号特征提取方法包括短时傅里叶变换、希尔伯特-黄变换等。
• 高阶统计量作为一种非高斯特征提取方法，在射频指纹识别中具有应用潜力。

1.3 本文研究结构

• 本文的研究分为三个部分：射频指纹缺陷建模、射频指纹特征提取和射频指纹识别分类。
• 射频指纹缺陷建模采用IEEE 802.11a协议OFDM信号进行I/Q失配缺陷建模。
• 射频指纹特征提取方法包括I/Q基带原生支路输入CNN网络、RJ特征提取、EMD分解特征提取和混合特征提取。
• 射频指纹识别分类采用CNN卷积神经网络进行分类识别。

2. 射频指纹的建模提取

2.1 IEEE802.11a协议OFDM信号相关

2.1.1 长短训练序列相关

• IEEE 802.11a协议OFDM信号包含长短训练序列。
• 长短训练序列用于系统包检测、同步、频偏估计和信道估计。

2.1.2 包检测

• 包检测通过短训练序列实现。
• 自相关函数和归一化系数用于检测接收到的数据包。

2.1.3 CFO频率偏移补偿相关

• 载波频率偏移（CFO）是无线通信中的常见问题。
• CFO补偿包括CFO估计和根据估计结果对接收信号进行校正。

2.2 I/Q失配建模与特征提取

2.2.1 I/Q失配建模

• I/Q失配建模用于模拟不同个体发射机的区别。
• I/Q失配参数估计和补偿对于射频指纹识别具有重要意义。

2.2.2 I/Q失配射频指纹特征提取

• 基于I/Q失配参数估计的特征提取方法。
• I/Q失配特征提取与射频指纹特征提取相结合。

2.3 基于高阶统计量的射频指纹特征提取方案

2.3.1 RJ 特征提取方案

• RJ特征提取包括包络提取、RJ特征和信噪比估计。
• RJ特征提取适用于QPSK调制下的射频指纹识别。

2.3.2 基于EMD分解的特征向量提取

• EMD经验模态分解用于提取射频指纹特征。
• 基于高阶统计量反映的非高斯特征的射频指纹特征提取。

2.3.3 混合特征向量提取

• 基于EMD分解与I/Q失配参数估计的混合特征向量提取。
• 混合特征向量提取提高了设备识别的准确率和稳定性。

2.4 I/Q支路直接输入CNN卷积神经网络

• I/Q支路直接输入CNN网络进行分类识别。
• CNN网络能有效地直接提取稳态信号特征进行识别。

3. CNN分类与识别

3.1 CNN卷积神经网络

3.1.1 多层感知器

• 多层感知器是一种前馈神经网络模型。
• 多层感知器在射频指纹识别中具有应用潜力。

3.1.2 卷积神经网络

• 卷积神经网络是一种深度学习网络模型。
• 卷积神经网络在图像识别和音频处理等领域取得了显著成果。

3.1.3 长短期记忆网络

• 长短期记忆网络是一种特殊的循环神经网络。
• 长短期记忆网络在处理序列数据和时间序列预测中具有优势。

3.1.4 Softmax 输出

• Softmax 输出用于将卷积神经网络的输出转化为概率分布。
• Softmax 输出有助于实现分类和识别任务。

3.2 混合分类器的设计

• 混合分类器的设计考虑了不同分类器的特点和适用场景。
• 混合分类器在射频指纹识别中具有应用价值。

3.3 CNN网络结构

• CNN网络结构包括输入层、卷积层、池化层、全连接层和输出层。
• CNN网络结构的设计需要根据具体任务和数据集进行调整和优化。

4. 实验设计

• 实验设计包括实验环境搭建、实验参数设置和实验流程规划。
• 实验设计需要考虑实验的可重复性和可比较性。

5. 实验结果与分析

5.1 CFO补偿对射频指纹分类的性能提升

• CFO补偿对射频指纹分类的性能具有显著提升作用。
• CFO补偿有助于提高射频指纹的稳定性和识别准确性。

5.2 四个射频指纹特征提取方案识别效果对比分析

5.2.1 0-20dB 信噪比下 I/Q 原生数据输入实验结果

• I/Q原生数据输入在低信噪比下的识别效果较好。
• I/Q原生数据输入在信噪比为0dB时仍具有较高的识别准确率。

5.2.2 0-20dB 信噪比下RJ特征提取方案数据输入实验结果

• RJ特征提取方案在低信噪比下的识别效果较好。
• RJ特征提取方案在信噪比为0dB时仍具有较高的识别准确率。

5.2.3 0-20dB 信噪比下 EMD 分解特征提取方案实验结果

• EMD分解特征提取方案在低信噪比下的识别效果较好。
• EMD分解特征提取方案在信噪比为0dB时仍具有较高的识别准确率。

5.2.4 0-20dB 信噪比下混合特征提取方案实验结果

• 混合特征提取方案在低信噪比下的识别效果较好。
• 混合特征提取方案在信噪比为0dB时仍具有较高的识别准确率。

5.2.5 四种方案识别准确率与复杂度对比分析

• 四种射频指纹特征提取方案在识别准确率和复杂度方面存在差异。
• 混合特征提取方案在识别准确率和复杂度方面表现较好。

5.2.6 四种方案是否应用混合分类器识别准确率对比分析

• 应用混合分类器对四种射频指纹特征提取方案的识别准确率具有提升作用。
• 混合分类器有助于提高射频指纹识别的准确性和稳定性。

6. 总结

• 射频指纹识别技术作为一种新兴的设备认证技术，具有独特优势。
• 基于高阶统计量的射频指纹特征提取方法在低信噪比下表现较好。
• CNN卷积神经网络在射频指纹识别分类中具有应用价值。
• 混合分类器的设计有助于提高射频指纹识别的准确性和稳定性。

参考文献

致谢

附录