刘燕平,田金鹏,陈泳

(上海大学通信与信息工程学院,上海 200444)

特征融合的射频指纹识别方法

刘燕平,田金鹏,陈泳

(上海大学通信与信息工程学院,上海 200444)

在射频指纹(radio frequency fingerprint,RFF)识别系统中,考虑到同一发射机的鲁棒性与不同发射机之间的差异性,提出了将瞬态信号二阶谱中的功率谱密度和互功率谱密度两个特征融合作为指纹的方法,并结合径向基概率神经网络分类器来进行分类.同时,对同一型号两个系列的多种无线网卡进行了分类检测,并与不同的特征提取方法和分类器进行了比较.结果表明,与已有方法相比,此方法的分类精确度有较大的提高.

射频指纹识别;二阶谱;径向基概率神经网络

无线通信设备发送信号时的瞬态或稳态部分被称为射频指纹(radio frequency fingerprint, RFF),通过RFF来识别无线通信设备的过程称为RFF识别.

射频(radio frequency,RF)设备的电子元件容差是形成RFF的原因,这些容差主要是指制造容差和漂移容差.制造容差是在制造过程中,由于生产精度不可能无限小导致元件出厂时的实际值与标称值存在的差异;漂移容差是在工作过程中,由于环境因素,如阳光、温度、灰尘、湿度、压力、装配、老化等导致的元件值的变化.通常,漂移容差大于制造容差.对于不同的无线设备,即使输入相同,由于元件容差的存在,其输出也可能不同[1].

随着无线网络的普及,无线网络面临的各种安全威胁正在增大,工作于无线网络链路层之上的安全协议[2]常常被发现存在安全缺陷.为了提高无线网络的安全性,工作于无线网络物理层的RFF被用于无线网络的安全服务中.自20世纪90年代起,射频指纹识别已被应用于认知无线电安全认证与伪用户检测[3]、无线传感网安全认证[4]、无线网络安全服务[5]、射频识别防伪[6]等领域中.

射频指纹识别主要的难点在于选取有效的指纹特征和分类器.关于特征提取方法, Hall[7]提取瞬态幅度、频率(离散小波变换)、相位中10个特征作为指纹;为了减小特征向量维度,Ureten等[8]将幅度信息和主成分分析法相结合.另外,为了降低复杂度,Afolaolabi等[9]将归一化的特征与其均值的偏差作为特征参数;李文龙等[10]利用跳频通信设备的频率切换瞬态信号特征来实现跳频通信中的射频指纹识别;Knox等[11]将正交相移键控(quadrature phase shift keying,QPSK)RF信号的残留相位(测量相位减去相位期望值后的差值)作为特征指纹; Ur等[12]将从短时傅里叶变换中得到的能量包络作为特征指纹,实现了在低采样率时较高的识别正确率;Huang等[13]用高斯函数和正弦函数拟合了小波变换得到的瞬态包络,并将拟合系数作为特征向量用于识别;梁江海等[14]利用经验模态分解(empirical mode decomposition, EMD)方法,提取稳态信号杂散成分的频域特征,实现了低信噪比情况下的高识别正确率;袁红林等[15]将无源射频识别标签信号的对数谱作为特征指纹,把指纹集成到读写器应用层协议,实现了标签与读写器之间信息的控制;Padilla等[16]结合主成分分析法和局部最小二乘递归法来缩短分类时间.

在分类器选择方面,Afolaolabi等[9]采用了马氏距离分类器,Knox等[11]和Ur等[12]采用了最近邻分类器,Huang等[13]、梁江海等[14]和袁红林等[15]采用支持向量机分类器,Ureten等[8]和李文龙等[10]采用了概率神经网络分类器.马氏距离分类器降低了距离函数的敏感性,稳定性较高;最近邻分类器简单直观,不需要使用训练集进行训练;支持向量机分类器有坚实的数学理论基础,能在有限样本条件下达到全局最优;概率神经网络分类器训练速度快,推广能力强.每种分类器各有特点,不存在某种分类器能适合各种特点的数据.

尽管已有研究提出了很多特征提取和分类器选择方法,但仿真测试结果表明,对相同型号的无线发射机进行分类,分类的效果并不十分理想,准确度不高,对于相同系列的无线发射机则更难区分.

本工作提出了融合二阶谱中的功率谱密度与互功率谱密度2个特征作为指纹,结合径向基概率神经网络(radial basis probabilistic neural network,RBPNN)分类器来进行分类,用9个来自2种系列的USB无线网卡(wireless network adapter,WLNA)进行分类测试.结果表明本方法相较于其他特征提取与分类器方法,分类精确度有较大提高.

1 射频指纹识别过程

射频指纹识别主要分为4个阶段：预处理、检测、特征提取和分类阶段.预处理是为了取得较好的波形,检测是为了取出瞬态信号,特征提取是为了得到有效的指纹,而分类则是为了识别不同的发射机.

1.1 预处理阶段

首先,将采集的信号去除噪声均值部分,为了减小外界环境的影响,将信号进行归一化处理.图1(a)为射频示波器采集到的IEEE 802.11n帧帧头射频信号经归一化处理后的波形,信号的前端是信道噪声部分,中间是发送功率逐渐上升的瞬态部分,之后是波形较平稳的稳态部分.接着,将归一化信号进行希尔伯特变换,得到信号的包络(图1(b)是射频信号经希尔伯特变换后得到的归一化包络).最后,用低通滤波器对包络进行平滑(图1(c)是滤波后的归一化包络).

1.2 瞬态信号检测阶段

在提取特征指纹之前,需对瞬态起始点进行精确检测.如果起始点检测不当,则第三阶段提取的特征指纹不能表示为信号瞬态部分的特性,这将降低整个系统的分类性能.因此,首先用幅度阈值法进行预检测,将起始点固定在某一范围内,即将滤波后的归一化包络进行局部加窗处理,这里采用矩形窗函数,不对信号进行放大或缩小.根据经验法选取阈值和窗函数大小,这里阈值选为0.1,窗函数大小选择100个数据点.再用贝叶斯步进检测法进一步确定瞬态信号的起始点：

式中,xi为i点的归一化包络值;µ1,µ2为起始点前后的包络均值;ni是均值为0、标准差为σ的白高斯过程;N为抽样数;s为瞬态起始点.

图1 射频信号波形Fig.1 Waveforms of RF signal

1.3 特征提取阶段

用矩阵x表示采集到的数据,矩阵的一个列向量表示信号的一个波形,列向量的个数表示每个发射机的波形数,故功率谱密度函数为

式中,x(j)为矩阵的列向量,表示一个包络;j表示包络上的第j个点.

采用最大信噪比准则,从训练集中选取每个发射机的一个典型样本,发射机典型样本与其余各波形的互功率谱密度用于提取指纹特征.互功率谱密度函数为

式中,xu,xv为来自2个矩阵的列向量,表示2个包络,其中一个为典型样本的包络,另一个为任意一个波形的包络.

式(4)是本工作提出的特征提取方法,此函数反映了信号功率和两个信号互功率在各个频率点上的分布情况,其中功率谱密度函数的幅值表征了信号功率大小沿频率轴的分布,同一发射机保持较为稳定的功率谱密度函数幅值,表现了同一发射机的鲁棒性;互功率谱密度函数的幅值表征2个信号的相应频率分量的关联度大小,即不同的发射机互功率谱密度函数幅值的大小表现了不同发射机之间的差异性.融合功率谱密度和互功率谱密度两个特征的指纹既考虑了同一发射机波形的相似性,又考虑到不同发射机波形的差异性.

1.4 分类阶段

将RBPNN作为分类器,RBPNN在网络结构上分为4层,第1层和第4层分别为输入层和输出层,中间两层为隐层,第1隐层以Parzen窗函数为激活函数,由隐中心矢量构成,第2隐层根据第1隐层隐中心矢量的类别属性对其输出进行求和.RBPNN结合了径向基函数网络与概率神经网络的优点,减少了网络连接权值的训练时间与网络隐单元的数目.

2 仿真结果与分析

WLNA是无线通信中最常用的终端收发设备.实验用同一型号两种系列的9个USB无线网卡,S1,S2表示2种不同系列,用符号Tx1∼Tx9表示这9个不同的无线网卡,其中Tx1∼Tx6来自S1系列,Tx7∼Tx9来自S2系列.

图2是实验数据采集系统.图中RF示波器型号为Agilent DSO80604B,示波器采样率设置为10GS/s;路由器型号为TL-WR842N;USB无线网卡型号为TL-WN722N,采用IEEE 802.11n协议.

图2 数据采集系统Fig.2 Data capture system

本实验采集了1 180个波形,其中180个波形用于训练,1 000个波形用于分类测试.无线通信设备的瞬态过程通常在十分之一微秒到几十毫秒之间,用Matlab进行仿真,通过多次测试可知,取1 024点时本系统运算时间较短,识别效果也较好.

在本实验中,首先将采集到的信号进行预处理,并提取出信号的瞬态部分.在特征提取阶段和分类阶段,每个无线网卡的前20个波形用于训练,将其中信噪比最大的波形作为该无线网卡的典型样本(用m1∼m9分别表示9个无线网卡的典型样本),将某个波形的功率谱密度函数幅值和该波形与9个典型波形的互功率谱密度函数幅值作为该波形的特征指纹,表示为RFF=⌊abs(Sx);abs(Sxmi)⌋,其中x表示1 180个波形中的任意一个波形,i取1∼9.

图3(a)是用能量包络作为指纹,K最近邻(K nearest neighbor,KNN)分类器进行分类测试的RFF识别仿真图.从图中可以看出,相同系列的无线网卡识别准确率较低,如Tx4易分类为Tx3,而Tx8,Tx9易识别为Tx7.总体来说,相比于S2系列,S1系列的无线网卡识别准确率更高.

图3(b)是融合二阶谱中的功率谱密度和互功率谱密度作为指纹,用RBPNN分类器进行分类的RFF识别仿真图.从图中可以看出,其识别准确率可达到99.7%,说明此方法不仅可以识别同一类型的无线网卡,而且还可以识别出同一系列的无线网卡.

图3 分类结果仿真图Fig.3 Simulation figures of classification results

表1给出了不同指纹提取方法和分类器的分类误差比较.从表中可以看出,融合了功率谱密度和互功率谱密度的特征指纹,比单个特征的指纹和能量包络指纹的识别准确率高,且RBPNN分类器比KNN分类器的识别准确率高.

表1 分类误差Table 1 Classification error%

3 结束语

本工作提出了融合二阶谱中的功率谱密度与互功率谱密度2个特征作为指纹的方法,并结合径向基概率神经网络分类器进行分类测试.实验采集了来自同一型号两个系列的多种无线网卡的波形来进行仿真测试.结果表明,本方法的识别准确率可达99.7%,不仅可以识别同一类型的无线网卡,而且还可以识别出同一系列的无线网卡.

参考文献：

[1]袁红林,胡爱群,陈开志.射频指纹的唯一性研究[J].应用科学学报,2009,27(1)：1-5.

[2]周洁,石志东,张震,等.WSN中一种基于LEACH协议的改进算法[J].上海大学学报(自然科学版),2013,19(2)：116-119.

[3]Harmer P K,Reising D R,Temple M A.Classification selection for physical layer security augmentation in cognitive radio networks[C]//IEEE International Conference on Communications.2013：2846-2851.

[4]Norman J,Joseph P.Secure neighbour authentication in wireless sensor networks[C]//2011 2nd International Conference on Wireless Communication.2011：1-4.

[5]Shiu Y S,Chang S Y,Wu H C,et al.Physical layer security in wireless networks：a tutorial[J].IEEE Wireless Communications,2011,18(2)：66-74.

[6]Lakafosis V,Traille A,Lee H,et al.RF fingerprinting physical objects for anticounterfeiting applications[J].IEEE Transactions on Microwave Theory and Techniques,2011,59(2)：504-514.

[7]Hall J.Enhancing intrusion detection in wireless networks using radio frequency fingerprinting[C]//Lasted International Conference on Communications.2004：201-206.

[8]Ureten O,Serinken N.Wireless security through RF fingerprinting[J].Canadian Journal of Electrical and Computer Engineering,2007,32(1)：27-33.

[9]Afolaolabi O R,Kim K,Ahmad A.On secure spectrum sensing in cognitive radio networks using emitters electromagnetic signature[C]//2009 Proceedings of 18th International Conference on Computer Communications and Networks.2009：1-5.

[10]李文龙,梁涛,许金勇.跳频通信中的射频指纹识别技术[J].解放军理工大学学报(自然科学版), 2009,10(S1)：1-5.

[11]Knox D A,Kunz T.Practical RF fingerprints for wireless sensor network authentication[C]// 2012 8th International Wireless Communications and Mobile Computing Conference.2012：531-536.

[12]Ur R S,Sowerby K,Coghill C.RF fingerprint extraction from the energy envelope of an instantaneous transient signal[C]//2012 Australian Communications Theory Workshop.2012： 90-95.

[13]Huang L F,Wu X P,Zhao C D,et al.Identification of radio transmitters fingerprint based on curve fitting[C]//2013 IEEE International Conference on Signal Processing,Communication and Computing.2013：1-5.

[14]梁江海,黄知涛,袁英俊,等.一种基于经验模态分解的通信辐射源个体识别方法[J].中国电子科学研究院学报,2013,8(4)：393-398.

[15]袁红林,包志华,严燕.基于对数谱射频指纹的RFID系统信息监测方法[J].通信学报,2014,35(7)： 86-93.

[16]Padilla J L,Padilla P,Valenzuela-Valds J F.RF fingerprint measurements for the identification of devices in wireless communication networks based on feature reduction and subspace transformation[J].Measurement,2014,58：468-475.

本文彩色版可登陆本刊网站查询：http：//www.journal.shu.edu.cn

RF fingerprinting identification with feature fusion

LIU Yanping,TIAN Jinpeng,CHEN Yong
(School of Communication and Information Engineering,Shanghai University, Shanghai 200444,China)

Considering the intra-robustness and inter-difference of transmitters in a radio frequency fingerprinting(RFF)identification system,this paper fuses the second-order spectra,i.e.,power spectral density and cross-power spectral density of signals as fingerprints,and uses a radial basis probabilistic neural network as the classifier.The classification performance of the wireless network in two different series has been evaluated in simulation experiments.Compared with other feature extraction methods and classifiers, it is demonstrated that accuracy of the proposed method makes a great improvement.

radio frequency fingerprinting(RFF)identification;second-order spectra; radial basis probabilistic neural network

TN 918

A

1007-2861(2017)03-0408-06

10.12066/j.issn.1007-2861.1624

2015-03-04

国家自然科学基金重点项目面上资助项目(61171086);上海大学创新基金资助项目(sdcx2012041)

田金鹏(1974—),男,博士,研究方向为无线通信和无线传感网.E-mail：adaline@163.com