基于Raw I/Q和深度学习的射频指纹识别方法综述

硬件差异会形成辐射源的独有指纹,并附加在无线电信号上,利用辐射源的这一独特属性可进行射频指纹识别。在非合作条件下,由于信道环境未知、信号调制方案等先验知识匮乏,基于特征工程的射频指纹识别方法面临巨大挑战,而基于深度学习的射频指纹识别方法,尤其是能够直接处理Raw I/Q的方法表现出了很大潜力,但是该方向的研究成果较为零散,妨碍了研究者对关键问题的把握。该文首先从先验知识的利用上,对基于深度学习的射频指纹识别方法进行了分类对比,将问题聚焦到基于Raw I/Q和深度学习的射频指纹识别方法。然后,该文重点对使用Raw I/Q进行射频指纹识别的深度神经网络模型进行了分类和讨论,并对射频指纹识别相关的开源数据集、数据表示方法和数据增强方法进行了整理和归纳。最后,该文讨论了基于深度学习的射频指纹识别方法所面临的难题和值得关注的研究方向,以期对射频指纹识别的研究与应用有所帮助。      

面向可变信道环境的真实射频信号数据集构建

基于深度学习的射频指纹(Radio Frequency Fingerprinting, RFF)识别具有增强物理层安全性能的潜力。近年来，为了满足深度学习对大规模数据的需求，提出了几种RFF数据集。然而，这些数据集是从类似的信道环境中收集的，多数仅提供来自接收器的接收数据。针对上述问题，利用软件无线电设备作为无线电信号发生器，通过自定义收发射机系统参数，如频带、调制模式、天线增益等，实现射频信号数据集的个性化定制。由于数据集是通过各种复杂的信道环境生成的，旨在更好地描述现实世界中的射频信号，因此在发射机和接收机处同时收集数据，可以模拟基于长期演进(Long Term Evolution, LTE)的真实RFF数据集。此外，通过一个基于卷积神经网络的射频指纹识别例程，验证了数据集的可用性，所提出的数据集和相关代码均可以在GitHub下载。     

基于自注意力的无监督室内定位信号异常检测

基于射频信号的室内指纹定位技术,以其精度高、部署成本低等优点被广泛运用于室内定位领域。室内信号环境的变化会直接影响定位精度。深度神经网络也用于时序数据异常检测,在此基础上,提出了一种基于自注意力机制的无监督室内定位信号异常检测模型。训练模型的输入是易获得的正常信号环境下无位置标签的指纹数据。该模型的注意力模块关注提取指纹数据中不同信号来源之间的相互关联,结合关联误差和重构误差来放大正常与异常的可区分性,从而提升室内定位信号检测的精度。在实验室采集的蓝牙信号数据集和一个公开的Wi-Fi数据集UJIIndoor Loc中进行性能评估,实验结果表明,与其他算法相比,所提模型具有最好的异常检测性能。     

基于领域自适应的动态噪声辐射源个体识别

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化.为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法.该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,...     

基于深度学习的通信辐射源指纹特征提取算法

针对在小样本条件下难以有效提取通信辐射源指纹特征的问题，设计了一种堆栈自编码网络的通信辐射源个体细微特征提取算法。首先通过预处理（高阶谱分析）将原始通信辐射源信号从时域转化到高维特征空间，然后利用大量无标签的通信辐射源高维样本训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对softmax回归模型进行精校训练，从而获得面向通信辐射源指纹特征提取的深度学习网络。实际采集的通信电台数据集上的实验结果验证了该模型的可行性与有效性。      

载频稳定度在射频指纹识别中的应用研究

射频指纹识别是利用辐射源射频特征唯一性对其个体身份进行识别的技术,具有广阔的军民用应用前景。针对传统射频指纹特征稳定度不高、难以工程实现的问题,提出了一种基于辐射源频率偏移和相位噪声等多维频域特性的射频指纹识别方法。该方法以ADS-B信号为例,利用统计原理对频率偏移和相位噪声特征进行量化处理,并利用贝叶斯分类方法对信号进行分类以实现辐射源个体身份的识别。通过半实物生成和实采ADS-B信号数据两种方式对提出的算法进行实验验证。实验结果表明,该方法能够对同型号的辐射源进行有效区分,对真实环境下4个目标的识别正确率达到93.5%。     

一种嵌入射频指纹的半监督辐射源识别方法

对于非协作通信场景下辐射源识别(SEI)问题,基于人工射频指纹特征(Radio Frequency Fingerprints,RFF)的识别方式准确率不高,基于深度学习的方法又对训练数据量有过高的要求。为了克服该问题,提出一种结合了人工射频指纹特征的基于贝叶斯卷积神经网络(CNN)的半监督SEI算法,将一个回归拟合信号双谱的直方图特征的CNN嵌入一个SEI的贝叶斯CNN中,并通过基于模糊度的半监督学习方法进一步降低算法对标签训练集的依赖性。在模拟数据集和真实数据集中的实验结果表明,在标签训练集规模为500～4 500条数据时,提出的方法比端到端的卷积神经网络识别方法的识别率提高了5%～20%。     

基于射频指纹技术的卫星信号个体识别方法

现有射频指纹识别研究主要集中于射频指纹产生及提取的通信机理,忽略了实际应用中信号采集数据的清洗筛分、识别算法模型的效率等工程性问题。为此,分析了卫星通信号的载波信息提取的原理与方法,并针对现有射频指纹方法的不足,围绕卫星信号识别领域,利用海量采集的射频指纹数据,深入研究基于自组织神经网络的射频指纹识别算法,提出了对应的算法模型,并与现有常见的无监督算法进行了比较。结果表明,所提方法可以取得更优的算法聚类效果和时间开销,可作为设计实现卫星频谱管理系统的基础。     

一种基于I/Q失配的辐射源指纹提取方法

针对现有的辐射源识别方法的不足,利用辐射源自身I/Q失配指纹特征的可检测、可重现、不变的特性,提出一种基于I/Q失配的新型射频指纹特征提取方法.该方法是一种基于信号空间的指纹特征提取方法,它需要对信号的信噪比进行估计.综合考虑,采用基于特征值分解的信噪比估计方法.实验仿真结果表明,在相同的信噪比条件下,基于I/Q失配的射频指纹特征提取方法比双谱、Hilbert-Huang变换信号特征提取方法具有更加优越的射频指纹识别性能.     

基于DBN的数字信号调制识别方法研究

针对4ASK,BPSK,QPSK,2FSK四种数字调制信号,提出在深度置信网络的深度学习模型下调制模式识别方法。对调制信号进行预处理,计算其高阶累积量作为输入训练的特征,在不同信噪比环境下生成调制信号,利用深度置信网络半监督学习的特点,将得到数据集用以深度置信网络的参数逐层训练来实现调制模式的特征提取和识别。仿真结果表明该方法识别率较为理想。     

射频指纹识别的研究现状及趋势

传统的基于密码机制和安全协议的无线网络安全存在隐患，新的基于物理层的射频指纹（radio frequency fingerprinting，RFF）方法利用发射机射频信号的细微差异来区分不同个体，具有难以克隆、伪造的优点，有着广阔的应用前景.本文首先讨论了理想RFF应具备的四种基本特性，即唯一性、时不变性、独立性和稳健性，分析了在四种基本特性方面的研究现状.然后按照信号预处理、特征提取和分类识别三个部分，对RFF识别相关技术进行了总结，重点分析了射频独特原生属性（RF-distinct native attribute，RF-DNA）、调制域和基于深度学习的RFF识别方法.最后，对RFF识别研究中涉及到的各种信号类型/调制方式及对应的应用场景进行了总结，展示了RFF识别的广阔应用前景，并对RFF识别的研究趋势进行了讨论.     

基于深度自编码器的辐射源个体开集识别

为实现对城市用频设备的精确管控,针对特定辐射源开集识别问题,构建了一套基于深度学习的辐射源个体开集识别处理流程,核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面,通过使用Grad-CAM实现对深度网络激活可视化,筛选出信号对网络激活贡献较高的部分,在不损失过多指纹信息的情况下进行信号区间筛选;另一方面,建立基于半监督对抗自编码器的辐射源个体开集识别模型,实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。     

基于改进ResNet的射频指纹识别方法

在无线网络安全和可能存在的射频设备管理应用范围内,针对多个发射同种射频信号的高度相似射频设备的分类识别问题,提出了一种信号双谱与改进的残差神经网络(Residual Neural Network,ResNet)的射频指纹识别方法.首先,将采集到的不同设备的信号做双谱变换得到双谱等高图并打上设备标签,再使用搭建好的改进残...     

基于功率谱密度的通信辐射源个体识别方法

为阻止设备克隆、重放攻击和用户身份假冒等问题的发生,准确识别和认证物联对象,提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集I路射频基带信号;通过方差轨迹检测截取稳态信号片段,并对稳态信号片段进行数据标准化处理;计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量,将所述特征向量作为发射机的射频指纹;最后利用智能分类器识别所述射频指纹,完成通信辐射源个体识别。通过对同厂家、同型号、同批次的8个无线数传电台E90-DTU设备和100个WiFi网卡设备的实验测试表明,本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。     

Radio signal recognition based on image deep learning

A technical idea was innovatively proposed that uses image deep learning to solve the problem of radio signal recognition.First,the radio signal was transformed into a two-dimensional picture,and the radio signal recognition problem was transformed into the object detection problem in the field of image recognition.Then,the advanced achievements about image recognition were used to improve the intelligence and ability of radio signal recognition in complex electromagnetic environment.Based on the proposed idea,a novel radio signal recognition algorithm named RadioImageDet was proposed.The experimental results show that the algorithm can effectively identify the waveform types and time/frequency coordinates of radio signals.After training and testing on the self-collected data set with 12 types and 4 740 samples,the accuracy reaches 86.04% and the mAP value reaches 77.72,while the detection time is only 33 ms on the medium configured desktop computer.     

基于深度学习的无线通信接收方法研究进展与趋势

随着无线通信应用边界的不断扩展,无线通信应用环境也日趋复杂多样,面临射频损伤、信道衰落、干扰和噪声等负面影响,给接收端恢复原始信息带来挑战。借鉴深度学习方法在计算机视觉、模式识别、自然语言处理等领域取得的研究成果,基于深度学习的无线通信接收技术受到学术界和产业界的广泛关注。首先阐述了国内外基于深度学习无线通信接收技术的研究现状;接着概述了信号大数据背景下无线通信接收所面临的技术挑战,并提出基于深度神经网络的无线通信智能接收参考架构;最后探讨了信号大数据背景下无线通信智能接收方法的发展趋势。为基于深度学习无线通信技术的研究和发展提供借鉴。     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.