一种适用于低信噪比环境的物联网射频指纹识别方法

技术领域

本发明属于射频指纹识别技术与深度学习领域，具体涉及一种适用于低信噪比环境的物联网射频指纹识别方法。

背景技术

作为一项很有前景的技术，物联网(IoT)正在重构许多领域，包括交通、医疗、商业等。典型的物联网系统是由多个相互连接的设备组成，通过无线通信基础设施交换海量数据。据预测，到2025年将有超过500亿台物联网设备通过互联网连接。无线设备的爆炸式增长势必会产生海量的数据，将极大提高物联网中收集和处理决策的能力，进而促进智能产业的创新。

然而，物联网的广泛应用却带来了安全性和可信性问题。在物联网系统中，云端服务器集群用于数据存储和用户身份验证。由于服务器中数据的私密性，识别移动设备的身份验证对于控制用户访问非常重要。因为大多数使用IP或MAC地址的认证方法(如数字签名)较容易受到恶意攻击(比如复制和改变IP地址)，所以这些方法很可能已不能适用于物联网的场景中。因此，安全问题已成为制约物联网进一步应用和发展的瓶颈。

在此背景下，在物联网用户身份验证中部署射频指纹识别受到越来越多的关注。现有的方法主要通过提取指纹特征，进行相似度的比较来识别设备。这些方法需要手工选择指纹特征，对领域知识的依赖程度很高。为了消除人工选择特征的过程，另一个方向是利用深度学习算法智能学习指纹特征。这些方法使用了几种典型的深度学习算法，比如使用CNN和RNN识别移动设备。现有的射频指纹识别学习算法时，在低信噪比环境中效果并不佳。例如，智能汽车物联网系统使用毫米波雷达进行环境感知、信息共享和决策，毫米波信号难以穿过建筑物，且往往具有较高的噪声水平。在这种情况下，低信噪比将覆盖移动设备间射频指纹的细微差异，从而难以识别出不同设备的差异。在信噪比为0dB时，CNN和RNN的准确度可能会下降30％。尽管在射频指纹识别方面有大量的文献与技术，但现有的大部分工作仅适用于中高信噪比。

发明内容

针对现有技术中的上述不足，本发明提供的一种适用于低信噪比环境的物联网射频指纹识别方法解决了现有技术中的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种适用于低信噪比环境的物联网射频指纹识别方法，包括以下步骤：

S1、采集若干I/Q信号作为样本信号；

S2、构建DSLN架构，并初始化DSLN架构的参数；

S3、根据样本信号，采用最小化交叉熵误差的梯度下降算法对初始化后的DSLN架构进行训练，获取射频指纹识别器；

S4、采集待识别I/Q信号，并将其输入至射频指纹识别器，得到物联网射频指纹识别结果。

进一步地，所述步骤S2中DSLN架构包括依次连接的第一卷积层、残差构建单元RSBU、第一归一线性化层BRC、第一全局平均池化层GAP和第一全连接层FC。

进一步地，所述残差构建单元RSBU包括依次设置的第二归一线性化层BRC、第三归一线性化层BRC、第二平均池化模层GAP、第二全连接层FC以及第四归一线性化层BRC；

所述残差构建单元RSBU的输入为第一卷积层处理后的数据流，其输出为经过动态阈值处理后的数据流。

进一步地，所述归一线性化层BRC包括依次连接的批处理归一化BN、整流线性单元ReLu和第二卷积层。

进一步地，所述动态阈值选择具体为：

其中，fI表示I/Q信号信号特征，fO表示动态阈值选择输出的特征，τ表示设定的动态阈值。

进一步地，所述步骤S3具体为：

S3.1、将I/Q信号输入至初始化后的DSLN架构中第一卷积层进行处理，获取第一输出结果为：

O

其中，O

S3.2、将第一输出结果传输至残差构建单元RSBU进行处理，通过动态阈值选择输出以缩短运行时间，获取第二输出结果；

S3.3、将第二输出结果传输至第一BRC单元进行处理，减小特征变化以及防止过拟合，获取第三输出结果；

S3.4、将第三输出结果传输至第一全局平均池化层GAP进行处理，减小输入特征变化对输出的影响，获取第四输出结果；

S3.5、将获取第四输出结果输入至第一全连接层FC更新动态阈值，得到第五输出结果，根据第五输出结果计算交叉熵误差，以交叉熵误差最小为目标并采用梯度下降算法对DSLN架构的参数进行更新；

S3.6、以第五输出结果作为射频指纹的分类权值；

S3.7、重复步骤S3.1-3.6，直至DSLN架构的参数收敛，得到训练完成的DSLN架构以及最终的分类权值。

进一步地，所述步骤S3.5中交叉熵误差具体为：

其中，fO

本发明的有益效果为：

(1)本发明提出了一种适用于低信噪比环境的物联网射频指纹识别方法，解决了在低信噪比环境中，现有技术的射频指纹识别方法的性能会显著下降的问题。

(2)本发明提出了一种DSLN架构，能够提高在低信噪比环境中对设备识别的准确度，同时还能大幅度地减少运行的时间，提高了工作效率。

(3)本发明提出的动态收缩阈值的设计可以有效地提高低信噪比中的识别精度，并在多种信噪比的环境中保持较为良好的鲁棒性。

附图说明

图1为本发明提出的一种适用于低信噪比环境的物联网射频指纹识别方法流程图。

图2为本发明中DSLN架构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

下面结合附图详细说明本发明的实施例。

如图1所示，一种适用于低信噪比环境的物联网射频指纹识别方法，包括以下步骤：

S1、采集若干I/Q信号作为样本信号；

S2、构建DSLN架构，并初始化DSLN架构的参数；

S3、根据样本信号，采用最小化交叉熵误差的梯度下降算法对初始化后的DSLN架构进行训练，获取射频指纹识别器；

S4、采集待识别I/Q信号，并将其输入至射频指纹识别器，得到物联网射频指纹识别结果。

在本实施例中，DSLN架构的参数包括卷积核参数c

如图2所示，所述步骤S2中DSLN架构包括依次连接的第一卷积层、残差构建单元RSBU、第一归一线性化层BRC、第一全局平均池化层GAP和第一全连接层FC。

所述残差构建单元RSBU包括依次设置的第二归一线性化层BRC、第三归一线性化层BRC、第二平均池化模层GAP、第二全连接层FC以及第四归一线性化层BRC。所述残差构建单元RSBU的输入为第一卷积层处理后的数据流，其输出为经过动态阈值处理后的数据流。所述归一线性化层BRC包括依次连接的批处理归一化BN、整流线性单元ReLu和第二卷积层。

在本实施例中，第三归一线性化层BRC、第二平均池化模层GAP、第二全连接层FC以及第四归一线性化层BRC依次连接，第二平均池化模层GAP的输出与第四归一线性化层BRC的输出进行向量求和操作，第三归一线性化层BRC接收第一卷积层处理后的数据流，第二归一线性化层BRC与第三归一线性化层BRC的输出进行动态阈值选择，动态阈值选择数据与向量求和数据使用元素乘法相乘，元素乘法结果作为第二归一线性化层BRC的输入。

卷积层：使用卷积核代替全连接神经网络中的矩阵乘法，可以显著减少需要训练的参数数量。通过卷积层，可以获得较高的精度，因为卷积的过程可以避免模型中的过拟合。通常，卷积层的特征图是一个三维张量，在本发明中，以二维I/Q样本作为输入数据，通过卷积核在特征映射上滑动，可以在输出端实现一个特征映射的通道。当一个卷积层包含多个卷积核时，可以得到多个通道作为特征映射的输出。

残差构建单元(RSBU)：是DSLN的核心，依次由两层BRC、一层GAP、一层FC和一层BRC组成。经过验证，该设计加快了RSBU的训练过程，从而减少了运行时间。其中有三种操作，包括动态阈值、元素-其他乘法以及向量求和，用于身份快照，缩短射频指纹识别的运行时间。这个动态阈值只将接近零的特征设置为零，而不是像ReLU函数那样将所有的负特征设置为零，这样就可以保留信号的负特征。

批量归一化/ReLu线性化单元/卷积层单元(BRC)：批量归一化可以通过调整卷积层的参数来减少每一轮训练过程中特征的变化，从而将参数统一归一化为平均值为0、标准差为1的数值分布；ReLu线性化单元起非线性变换的作用，其值为0或1，保证网络在每一轮训练中各层之间的特征变化较小；卷积层单元防止过拟合。

全局平均池化层(GAP)：计算特征输入的平均值。一般来说，它可以减少网络中训练权值的数量，从而达到较低的过拟合概率。还可以减少输入特征的变化对输出的影响。

全连接层(FC)：为了使多类识别的交叉熵误差最小化，设计了一个完整的连接层。与均值平方误差的最小化相比，交叉熵误差的最小化可以提高训练效率，因为交叉熵误差的梯度不太可能为零。为了计算交叉熵误差，可以使用softmax函数来确保特征值能够保持在(0,1)的范围内。根据计算交叉熵误差得到的概率作为权值来确定识别的设备属于某一类。

所述动态阈值选择具体为：

其中，fI表示I/Q信号信号特征，fO表示动态阈值选择输出的特征，τ表示设定的动态阈值。

动态阈值τ具体为：

τ＝α×mean[|U|]

其中，

所述步骤S3具体为：

S3.1、将I/Q信号输入至初始化后的DSLN架构中第一卷积层进行处理，获取第一输出结果为：

O

其中，O

S3.2、将第一输出结果传输至残差构建单元RSBU进行处理，通过动态阈值选择输出以缩短运行时间，获取第二输出结果；

将卷积层的输出作为残差构建单元(RSBU)的输入。重复更新计算RSBU的输出，得到RSBU层的输出结果。这里的RSBU依次由两层BRCU，一层GAP，一层FC和一层BRCU组成，其中有三种操作，包括动态阈值、元素-其他乘法以及向量求和，用于身份快照，缩短射频指纹识别的运行时间。

S3.3、将第二输出结果传输至第一BRC单元进行处理，减小特征变化以及防止过拟合，获取第三输出结果；

将RSBU的输出结果，经过BRCU,通过重复使用归一化和线性化更新计算输出结果，减少每一轮训练过程中特征的变化，并保证网络在每一轮训练中各层之间的特征变化较小和防止过拟合。

S3.4、将第三输出结果传输至第一全局平均池化层GAP进行处理，减小输入特征变化对输出的影响，获取第四输出结果；

进入GAP层，计算特征输入的平均值，更新输出结果，减少网络中训练权值的数量，从而达到较低的过拟合概率，并减少输入特征的变化对输出的影响。

S3.5、将获取第四输出结果输入至第一全连接层FC更新动态阈值，得到第五输出结果，根据第五输出结果计算交叉熵误差，以交叉熵误差最小为目标并采用梯度下降算法对DSLN架构的参数进行更新；

S3.6、以第五输出结果作为射频指纹的分类权值；

S3.7、重复步骤S3.1-3.6，直至DSLN架构的参数收敛，得到训练完成的DSLN架构以及最终的分类权值。

所述步骤S3.5中交叉熵误差具体为：

其中，fO

在本实施例中，I/Q信号的采集方案如下：

需要用到的设备包括：1台NI-PXIE 1085设备，3台USRP-RIO-2943设备，4根TX天线以及安装有MATALAB软件的PC机。

NI-PXIE 1085设备用于I/Q信号的数据传输以及图形显示；2个USRP RIO-2943(RIO2和RIO3)包含4个发射器，模拟需要识别的4个不同的发射器；1台USRP RIO-2943(RIO1)作为接收机，负责接收来自4个发射机的信号。

设置参数如下：发射机1发射的信号只显示出振幅的变化，发射机2的信号只显示出相位的变化，发射机3和发射机4的信号分别显示出振幅和相位的变化。4根TX天线用于发射I/Q信号，RIO1的RX用于感知4个发射器的I/Q信号，RIO1将接收到的信号传输给PXIE设备，经过PXIE的处理输送到用户界面上，可以得到的信号可视化分析图。将得到的I/Q信号进行信道处理，这里使用MATALAB仿真了AWGN和Rayleigh两种信道。过信道后经过简单的去噪，最终将去噪的信号放入深度学习的模型中进行训练和测试。

实验结果表明：一方面，在典型的低信噪比的物联网环境中，DSLN的识别准确度比CNN和RNN分别提高了20％和10％。此外，本文提出的DSLN比CNN和RNN算法具有更强的鲁棒性，因为CNN和RNN算法在各种AWGN和Rayleigh信道下都能保持90-95％的准确率，而在低信噪比中只能达到80％以下的准确率。因此，动态收缩阈值的设计可以有效地提高低信噪比中的识别精度，并在多种信噪比的环境中保持较为良好的鲁棒性。另一方面，与CNN和RNN相比，DSLN模型能较大程度地减少运行算法的时间，这对实时物联网系统至关重要。

本发明的有益效果为：

(1)本发明提出了一种适用于低信噪比环境的物联网射频指纹识别方法，解决了在低信噪比环境中，现有技术的射频指纹识别方法的性能会显著下降的问题。

(2)本发明提出了一种DSLN架构，能够提高在低信噪比环境中对设备识别的准确度，同时还能大幅度地减少运行的时间，提高了工作效率。

(3)本发明提出的动态收缩阈值的设计可以有效地提高低信噪比中的识别精度，并在多种信噪比的环境中保持较为良好的鲁棒性。