一种基于同向正交信号和对比学习的射频指纹识别方法

技术领域

本发明涉及信息安全领域和人工智能在该领域的应用，尤其涉及一种基于同向正交信号和对比学习的射频指纹识别方法。

背景技术

射频指纹是指不同辐射源的射频信号中存在的唯一的、独有的细微特征，这些特征在同信号同批次的射频器件中仍然存在。通过提取特征指纹，能够完成射频设备的识别、认证或鉴权。

当前射频指纹识别方法主要分为特征工程方法和深度学习方法两类。

特征工程方法以特定领域的专业背景知识为基础，通过利用专家的先验知识，通过数据分析探索性地手动设计特征，然后使用支持向量机、决策树或浅层的神经网络完成识别。专家设计的这些特征通常有明确的物理意义，具有良好的可解释性，在特定系统中能够取得较高的识别准确率。但是特征工程方法依赖专家知识，费时费力，对噪声较为敏感，泛化能力差，设计的特征难以应用到其他场景。

现有的深度学习方法以有监督学习为代表，以海量的标注数据为驱动，通过深度神经网络自动提取特征，完成射频指纹的识别。深度学习方法通常不需要领域专家知识就能够具备良好的特征提取能力。但是射频数据的采集和仿真较为困难，数据标注费时费力，难以满足模型训练的海量数据需求；部分基于深度学习的射频指纹提取方法采用时域频域变换的方法将同向/正交信号转换为图像，难以满足实时处理的需求；同时，深度学习方法与训练数据紧密关联，在特定数据集上训练的模型难以应用到其他跨域场景。

鉴于上述原因，现研发出一种基于同向正交信号和对比学习的射频指纹识别方法。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于同向正交信号和对比学习的射频指纹识别方法，直接使用同向、正交信号提取射频指纹，不依赖特定数据处理方法，减少预处理的硬件和时间开销；通过对比学习训练深度学习模型，不依赖特定数据集，不需要数据标注；本发明具有较好的迁移能力，能够适应不同的射频指纹应用需求，且均能够达到良好的识别效果。

本发明提供的一种基于同向正交信号和对比学习的射频指纹识别方法，构建数据集：使用数个互联网公开的或者自行采集、仿真的基于同向、正交信号的数据集，构建对比学习数据集；

构建数据加载器：从数个数据集中按照随机选择数据，对选择的数据进行添加噪声、抖动、相位偏移和频率偏移的数据增强，然后随机裁剪到固定长度，数据加载器能够给出正、负样本对；

构建对比学习模型：对比学习模型基于孪生网络，孪生网络由分枝网络A和分枝网络B构成，两个分枝网络的网络结构完全相同，每个分枝网络包含一个特征提取网络和一个特征投影网络，所述的特征提取网络由处理一维时间序列信号的模块组件构成，所述的特征投影网络由两层全连接网络构成；

训练时，在对比学习模型上，将同一个信号的不同采样作为正样本，其他信号的采样作为负样本，训练的正向传播时，两个分枝网络分别输入正、负样本对，然后经过特征投影网络进行特征变幻投影到表示空间，在表示空间内计算其对比损失，通过对比损失的约束，使不同信号在表示空间内距离尽可能得远；反向传播时，分枝网络A的正常更新，分枝网络B的参数采用带动量的参数共享方法由分枝网络A的参数间接更新；

应用时，取分枝网络A特征提取网络的结构和参数，封装到应用场景中，作为射频指纹提取器，在部署阶段，采集准入设备的射频信号，通过射频指纹提取器提取射频指纹并存储到数据库中；在使用阶段，检测到射频信号出现时，提取射频指纹并与数据库中的射频指纹进行比对，从而完成设备认证或入侵检测。

作为优选，所述的处理一维时间序列信号的模块组件包括但不限于一维卷积神经网络、循环神经网络、Transformer。

有益效果在于：本发明直接使用同向、正交信号提取射频指纹，不依赖特定数据处理方法，减少预处理的硬件和时间开销；通过对比学习训练深度学习模型，不依赖特定数据集，不需要数据标注；本发明具有较好的迁移能力，能够适应不同的射频指纹应用需求，且均能够达到良好的识别效果；本发明未详细介绍处为现有常用技术。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是采用孪生网络的对比学习模型图；

图2是基于射频指纹的电子设备身份认证案例图；

图3是电子设备身份认证应用场景图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

参见图1-图3，一种基于同向正交信号和对比学习的射频指纹识别方法，

构建数据集；使用数个互联网公开的或者自行采集、仿真的基于同向、正交信号的数据集，构建对比学习数据集；

构建数据加载器；从数个数据集中按照一定的比例随机选择数据；对选择的数据进行数据增强，添加噪声、抖动、相位偏移和频率偏移，然后随机裁剪到固定长度；数据加载器能够给出正、负样本对；一个采样的正样本来自同一个信号数据，但使用了不同的数据增强方法；一个采样的负样本来自其他不同的信号数据；

构建对比学习模型；对比学习模型基于孪生网络，该网络由分枝网络A和分枝网络B构成，两个分枝网络网络结构完全相同；每个分支网络包含一个特征提取网络和一个特征投影网络；特征提取网络由可以处理一维时间序列信号的模块构成，包括但不限于一维卷积神经网络、循环神经网络、Transformer，特征投影网络由两层全连接网络构成；

训练过程；使用数据加载器从无标注数据集中取出N个数据构成一个批次的训练数据；对于该批次里的任意数据x，使用两种数据增强方法得到xi和xj，xi与xj构成正样本对；xi与其他2N-2个数据构成负样本对；

将正、负样本对分别输入特征提取网络提取特征，然后经过特征投影网络进行特征变幻投影到表示空间，然后在表示空间内计算正、负样本对的距离；在表示空间内，通过设计损失函数，使得正样本之间的投影距离较近，负样本之间投影距离较远；然后使用反向传播更新分枝网络A的参数，分枝网络B的参数采用带动量的参数共享方法由分枝网络A的参数间接更新；损失函数L如下所示：

其中，sim为度量函数，用于度量两个特征在表示空间内的距离，常用的度量方法有欧几里得距离，余弦相似度，马氏距离；τ为温度参数，对度量值进行缩放，实验值取0.05-0.1；Sign

具体应用：以基于射频指纹的电子设备身份认证为例，取孪生网络的一个特征提取网络作为射频指纹提取器；对于某一准入设备，采集多次其不同状态下的射频信号，输入射频指纹提取器，并将其输出作为该设备的射频指纹存入合法指纹数据库；在设备认证阶段，采集待认证设备的视频信号，使用射频指纹提取器提取其射频指纹，并与准入设备指纹数据库中的射频指纹进行对比；如果该设备的射频指纹满足容差，则认证通过，否则认证失败；容差可以在训练过程中获得，或者在具体应用场景中通过多次测试进行调整；在RadioML2018.01A数据集和COSINE数据集上进行训练，在自建的通信信号数据集上进行测试，测试准确率不低于97.5％。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。