一种光通信设备指纹特征提取及设备身份识别方法和系统技术方案

本发明专利技术公开了一种光通信设备指纹特征提取及设备身份识别方法和系统，首先通过信道噪声模型进行初步的设备指纹特征提取，再通过双层高低频均匀小波分解与重构方法进一步提取设备指纹特征，最后通过神经网络模型进行深层次地特征提取与识别，从而实现对接入的光通信设备的身份识别与认证。本发明专利技术提供的方法，能够精确、有效提取出光通信系统中的设备指纹特征。相比于传统的基于密码机制的身份认证方法，本发明专利技术提供的方法在光通信物理层中提供了一种无需密码的身份认证方法，具有一定的先进性和有效性，为光通信的安全保障提供了新思路。路。路。

【技术实现步骤摘要】
一种光通信设备指纹特征提取及设备身份识别方法和系统


[0001]本专利技术属于光通信
，更具体地，涉及一种光通信设备指纹特征提取及设备身份识别方法和系统。

技术介绍

[0002]光通信系统在当前社会已有广泛应用，光通信系统中的安全性问题不可忽视。诸如物理层设备攻击、身份欺骗、通信窃听、通信拦截等各种问题发生在光通信系统中。信息安全技术、密钥安全技术、身份安全技术等技术被提出用于提高光通信系统的安全性。
[0003]受启发于生物
的指纹概念，设备指纹技术被提出用于保障通信中的身份安全。设备指纹指信号经过设备时受到源于设备的独特影响。不同的设备个体具有不同的设备指纹。设备指纹隐藏在信号中，利用方法对设备指纹进行提取、识别、分类，便可识别不同的设备，设备指纹技术具有广泛的应用前景。然而，目前光通信系统中的设备指纹提取及识别方法较少，且提取精度有待提高。
[0004]由此可见，如何对设备指纹进行精确的提取是当前亟待解决的问题。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种光通信设备指纹特征提取及设备身份识别方法和系统，由此解决当前设备指纹特征提取及识别方法精度不高的技术问题。
[0006]为实现上述目的，按照本专利技术的第一方面，提供了一种光通信设备指纹特征提取及设备身份识别方法，包括：
[0007]S101，对光通信设备接收端接收到的信号y(t)进行重构，得到发送端发送的信号x(t)；基于y(t)、x(t)及信道噪声模型，构建设备指纹特征向量
[0008]S102，对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵；
[0009]S103，将所述设备指纹特征矩阵输入预先训练好的神经网络模型，得到光通信设备的设备身份。
[0010]优选地，所述信道噪声模型为：
[0011]y(t)＝x(t)
×
a(t)+b(t)；
[0012]其中，a(t)为乘性噪声，b(t)为加性噪声。
[0013]优选地，所述对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵，具体为：
[0014]分别对设备指纹特征向量进行第一层高低频均匀小波分解与重构，得到第一层重构向量；
[0015]分别对第一层重构向量进行第二层高低频均匀小波分解与重构，得到第二层重构
向量；
[0016]所述第一层重构向量与第二层重构向量共同组成设备指纹特征矩阵。
[0017]优选地，分解公式为：
[0018][0019]其中，W(j,k)为小波系数，为小波母函数的共轭函数，j为尺度因子，k为平移因子，f(t)为待分解的向量；
[0020]重构公式为：
[0021][0022]其中，f
′
(t)为重构向量。
[0023]优选地，所述神经网络模型是以设备指纹特征矩阵为样本，以设备身份为标签进行监督训练得到的。
[0024]优选地，所述神经网络模型为卷积神经网络模型，包括输入层、卷积层、ReLU层、池化层、全连接层、Softmax层和分类输出层。
[0025]优选地，所述卷积层包括多个大小为3
×
3的卷积核。
[0026]按照本专利技术的第一方面，提供了一种光通信设备指纹特征提取及设备身份识别系统，包括：
[0027]设备指纹特征提取模块，用于基于光通信设备接收端接收到的信号y(t)、发送端发送的信号x(t)及信道噪声模型，构建设备指纹特征向量
[0028]对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵；
[0029]设备身份识别模块，用于将所述特征矩阵输入预先训练好的神经网络模型，得到光通信设备的设备标签。
[0030]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0031](1)本专利技术提供的方法，将设备指纹视为一种噪声，首先通过信道噪声模型进行初步的设备指纹特征提取，再通过双层高低频均匀小波分解与重构方法进一步提取设备指纹特征，能够精确、有效提取出光通信系统中的设备指纹特征，使得设备指纹特征更易于被神经网络识别分类，实现对接入的光通信设备的身份进行识别与认证。
[0032](2)相比于传统的基于密码机制的身份认证方法，本专利技术在光通信物理层中提供了一种无需密码的身份认证方法，具有一定的先进性和有效性，为光通信的安全保障提供了新思路。
[0033](3)本专利技术采用的神经网络模型为卷积神经网络模型，既能高度提取特征，以提高最终的分类识别准确率，又能节省计算开销。
附图说明
[0034]图1是本专利技术提供的光通信设备指纹特征提取及设备身份识别方法流程示意图之一；
[0035]图2是本专利技术提供的小波分解与重构示意图；
[0036]图3是本专利技术提供的光通信设备指纹特征提取及设备身份识别方法流程示意图之二；
[0037]图4是本专利技术提供的光通信设备指纹特征提取及设备身份识别方法流程示意图之三。
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0039]本专利技术实施例提供一种光通信设备指纹特征提取及设备身份识别方法，如图1所示，包括：
[0040]S101，对光通信设备接收端接收到的信号y(t)进行重构，得到发送端发送的信号x(t)；基于y(t)、x(t)及信道噪声模型，构建设备指纹特征向量
[0041]进一步地，所述信道噪声模型为：
[0042]y(t)＝x(t)
×
a(t)+b(t)；
[0043]其中，a(t)为乘性噪声，b(t)为加性噪声。
[0044]具体地，对光通信设备接收端接收到的信号y(t)进行重构，得到发送端发送的信号x(t)；例如，对于OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用)信号，可利用贪婪搜索或最优化的方法完成原始信号重构。
[0045]将设备指纹视为一种噪声，运用信道噪声模型中的调制信道噪声公式对硬件指纹特征进行初步提取。将接收到的信号作为y(t)，将得到的发射端发射的未经过信道噪声影响的原始理想信号作为x(t)，通过信道噪声公式建立y(t)与x(t)之间的关系，a(t)为乘性噪声，b(t)为加性噪声。依据信道噪声模型公式的变形y(t)
‑
x(t)＝[a(t)
‑
1]×
x(t)+b(t)对接收数据y(t)与理想数据x(t)进行处理，得到特征向量
[0046]S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光通信设备指纹特征提取及设备身份识别方法，其特征在于，包括：S101，对光通信设备接收端接收到的信号y(t)进行重构，得到发送端发送的信号x(t)；基于y(t)、x(t)及信道噪声模型，构建设备指纹特征向量S102，对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵；S103，将所述设备指纹特征矩阵输入预先训练好的神经网络模型，得到光通信设备的设备身份。2.如权利要求1所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，所述信道噪声模型为：y(t)＝x(t)
×
a(t)+b(t)；其中，a(t)为乘性噪声，b(t)为加性噪声。3.如权利要求1或2所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，所述对所述设备指纹特征向量分别进行两层高低频均匀小波分解与重构，获得设备指纹特征矩阵，具体为：分别对设备指纹特征向量进行第一层高低频均匀小波分解与重构，得到第一层重构向量；分别对第一层重构向量进行第二层高低频均匀小波分解与重构，得到第二层重构向量；所述第一层重构向量与第二层重构向量共同组成设备指纹特征矩阵。4.如权利要求3所述的光通信设备指纹特征提取及设备身份识别方法，其特征在于，分解公...

【专利技术属性】
技术研发人员：程孟凡，范成鹏，邓磊，杨奇，刘德明，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：