一种LoRa非平稳射频指纹特征提取方法及相关装置制造方法及图纸

一种LoRa非平稳射频指纹特征提取方法及相关装置，包括：对不同型号的LoRa设备进行物理层信号的采集，对采集到的一维信号进行预处理得到对应的非平稳信号；基于分数域小波散射网络构建针对LoRa非平稳信号的射频指纹特征提取模型，提取射频指纹特征系数；将射频指纹特征系数输入对应的分类网络，利用卷积神经网络实现对特征向量的精确识别与分类内容。所提基于分数域小波散射网络可以解决非平稳条件下射频特征信息高效提取，大幅减少射频特征数据量，提升模型学习效率。提升模型学习效率。提升模型学习效率。

【技术实现步骤摘要】
一种LoRa非平稳射频指纹特征提取方法及相关装置


[0001]本专利技术属于射频特征提取
，特别涉及一种LoRa非平稳射频指纹特征提取方法及相关装置。

技术介绍

[0002]近些年来，随着低成本与低功耗的智能LoRa设备大规模地在物联网中部署，使得物联网可以提供低成本、随时随地的网络接入。智能终端设备的网络接入首先需要完成设备的合法性检测，传统的设备合法性鉴权流程常常依赖于高层的加密方案实现。如图2，在传统的物联网应用中LoRa、蓝牙以及NB
‑
IoT等系统常常受限于计算资源与能耗而无法实现复杂的高层加密方案，因而海量的设备接入应用场景下，如何对接入的设备实现可靠、轻量级计算的合法性鉴权是未来工业物联网、无人驾驶以及智能家居等应用场景中的重要研究方向。由于LoRa、蓝牙等智能设备的上层协议支持需要较高计算复杂度与加密开销的上层加密鉴权，同时该方案容易被基于身份假冒等方式攻击，因此如何依赖物理层构建超高可靠、超低计算复杂度的物理层鉴权方案是解决未来大规模智能设备合法性鉴权的有效手段。基于射频指纹的个体识别技术是一种通过物理层信号提取利用设备唯一硬件缺陷特征信息(1/Q失配，放大器非线性和载波偏置等)实现设备个体身份识别的高效途经。由于组成设备的各硬件模块缺陷特征信息具有唯一性，因此设备的各模块累加特征信息使得该个体拥有独一无二的设备特征信息，进而可以利用该射频特征信息实现设备的唯一的标识和识别。然而传统的机器学习方法需要大规模的精确标记数据样本，来完成网络模型的对射频特征信息的学习训练，由此也带来了对于计算资源的海量需求。此外，传统机器学习模型输入为采集到的物理层信号输出为对应的分类结果，对射频特征信息提取的过程处于黑盒模式，缺乏明确的系统可解释性。更进一步，针对无线传输过程中信号不可避免的受到噪声的影响这一核心问题，传统网络模型会将其与射频特征混淆提取而无法降低噪声对其的影响，因此也带来了部分关于噪声对设备识别精度的影响。

技术实现思路

[0003]本专利技术的目的在于提供一种LoRa非平稳射频指纹特征提取方法及相关装置，以解决传统网络模型会将其与射频特征混淆提取而无法降低噪声对其的影响，因此也带来了部分关于噪声对设备识别精度的影响的问题。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]一种LoRa非平稳射频指纹特征提取方法，包括：
[0006]对不同型号的LoRa设备进行物理层信号的采集，对采集到的一维信号进行预处理得到对应的非平稳信号；
[0007]基于分数域小波散射网络构建针对LoRa非平稳信号的射频指纹特征提取模型，提取射频指纹特征系数；
[0008]将射频指纹特征系数输入对应的分类网络，利用卷积神经网络实现对特征向量的
精确识别与分类内容。
[0009]进一步的，LoRa设备进行物理层信号的采集：
[0010]LoRa设备的工作带宽用B来表示，与之对应的最低工作频率为最高工作频率为对应的LoRa信号瞬时频率表示为：
[0011]f(t)＝f
L
+kt(0≤t≤T)
[0012]其中，代表的是信号的频率变化速度，T代表的是每个符号周期；通过对信号的瞬时频率进行积分得到信号的瞬时相位：
[0013][0014]通过对信号进行正交化调制获取得到基本的Upchirp基带信号：
[0015][0016]其中，A代表的是信号幅度；LoRa信号通过对基础信号进行不同程度的频率偏移设置来实现SF
‑
bit的信息调制；其中SF代表的是信号的扩展因子，对于LoRa信号有2
SF
个不同的频率偏移来完成对应的信息调制；最终的调制信号表示为
[0017][0018]其中，Δf代表的信号频率偏移，x(t)代表完整的调制信号；该信号经过各不同模块之后通过天线发送到无线空间中，在接收侧该信号表示为
[0019]y(t)＝H*G(x(t))+n
[0020]其中，H代表的是信道冲击响应，G代表的是设备射频特征信息，n代表的是传输过程中引入的高斯噪声。
[0021]进一步的，接收侧的信号y(t)中包含无线信道、噪声和设备所包含的射频指纹特征信息；在LoRa信号传输过程中，前导码是由固定不变的基础Upchirp信号组成，通过信号同步和符号分割获取接收端的前导码信号，进而从该信号中进一步提取设备的唯一射频特征信息；采用短时傅里叶变换时频变换来分析表征信号的非平稳特性；利用不同的窗和长度来实现信号的时频变换，如下所示
[0022][0023]其中，y[n]代表输入信号，h[n]代表对应的STFT中的滑动窗；对接收到的信号进行归一化处理。
[0024]进一步的，基于分数域小波散射网络构建针对LoRa非平稳信号的射频指纹特征提取模型：
[0025]分数域傅里叶变换是DFSNet中的基本变换，如下所示
[0026][0027]其中，d代表信号f(t)的维度，满足如下所示条件
[0028][0029]其中，α
i
代表分数傅里叶变换的旋转角度，为对应的变换系数，基于分数域傅里叶变换，将对应的基函数替换为小波核函数之后得到分数域小波变换
[0030][0031]其中，小波核函数ψ
α,λ,t
(κ)满足以下条件
[0032][0033]其中λ与t分别代表对应的尺度变换与时间因子，当α＝π/2时上式将会变为传统的小波变换。
[0034]进一步的，对输入的时频特征图利用分数域小波散射网络进行特征系数计算，分数域小波散射网络的基本结构与传统的卷积神经网络一致，均为多层网络线性连接，在不同的网络节点进行非线性变化与运算；分数域小波散射网络的计算结果分为两大类：概貌特征与细微特征信息，其中输入时频特征对应的概貌信号表示为
[0035][0036]其中J代表尺度因子，代表计算得到的概貌特征信息；对应的细节特征信息表示为
[0037][0038]其中K代表的是不同的小波基旋转角度，进一步简化传统的分层卷积计算过程，如下所示
[0039][0040][0041]其中，代表了低频滤波器特性的核函数，代表具有带通滤波特性的小波核函数。
[0042]进一步的，将射频指纹特征系数输入对应的分类网络：输入信号f(t)在第一层网
络中与不同的小波核函数求卷积得到对应的散射系数即射频指纹特征信息；散射网络第二层对应的计算过程是对第一层计算所得系数的继续进行分解计算，分数域小波散射网络的非线性操作过程由分数域小波滤波器和模值两部非线性操作组成，DFSNet网络模型中的每一层系数均由S
α
[l
(m)
]f(t)计算得到，三层网络组成的分数域小波散射网络，其中每一层的输出表示为
[0043][0044]在网络传输路径上传输的信息节点表示为
[0045][0046]其中l
(m)
代表是第
...

【技术保护点】

【技术特征摘要】
1.一种LoRa非平稳射频指纹特征提取方法，其特征在于，包括：对不同型号的LoRa设备进行物理层信号的采集，对采集到的一维物理层信号进行预处理得到对应的非平稳信号；基于分数域小波散射网络构建针对LoRa非平稳信号的射频指纹特征提取模型，提取射频指纹特征系数；将射频指纹特征系数输入对应的分类网络，利用卷积神经网络实现对特征向量的精确识别与分类内容。2.根据权利要求1所述的一种LoRa非平稳射频指纹特征提取方法，其特征在于，对大规模LoRa设备进行物理层信号的采集：LoRa设备的工作带宽用B来表示，与之对应的最低工作频率为最高工作频率为对应的LoRa信号瞬时频率表示为：f(t)＝f
L
+kt (0≤t≤T)其中，代表的是信号的频率变化速度，T代表的是每个符号周期；通过对信号的瞬时频率进行积分得到信号的瞬时相位：通过对信号进行正交化调制获取得到基本的Upchirp基带信号：其中，A代表的是信号幅度；LoRa信号通过对基础信号进行不同程度的频率偏移设置来实现SF
‑
bit的信息调制；其中SF代表的是信号的扩展因子，对于LoRa信号有2
SF
个不同的频率偏移来完成对应的信息调制；最终的调制信号进一步表示为其中，Δf代表的信号频率偏移，x(t)代表完整的调制信号；该信号经过各不同模块之后通过天线发送到无线空间中，在接收侧该信号表示为y(t)＝H*G(x(t))+n其中，H代表的是信道冲击响应，G代表的是设备射频特征信息，n代表的是传输过程中引入的高斯噪声。3.根据权利要求2所述的一种LoRa非平稳射频指纹特征提取方法，其特征在于，接收侧的信号y(t)中包含无线信道、噪声和设备所包含的射频指纹特征信息；在LoRa信号传输过程中，前导码是由固定不变的基础Upchirp信号组成，通过信号同步和符号分割获取接收端的前导码信号，进而从该信号中进一步提取设备的唯一射频特征信息；采用短时傅里叶变换时频变换来分析表征信号的非平稳特性；利用不同的窗和长度来实现信号的时频变换，如下所示
其中，y[n]代表输入信号，h[n]代表对应的STFT中的滑动窗；对接收到的信号进行归一化处理。4.根据权利要求1所述的一种LoRa非平稳射频指纹特征提取方法，其特征在于，基于分数域小波散射网络构建针对LoRa非平稳信号的射频指纹特征提取模型：分数域傅里叶变换是DFSNet中的基本变换，该变换过程如下所示其中，d代表信号f(t)的维度，满足如下所示条件其中，α
i
代表分数傅里叶变换的旋转角度，为对应的变换系数，基于分数域傅里叶变换，将对应的基函数替换为小波核函数之后得到分数域小波变换其中，小波核函数ψ
α,λ,t
(κ)满足以下条件其中λ与t分别代表对应的分数域小波变换中的尺度与时间因子，当α＝π/2时上式将会变为传统的小波变换。5.根据权利要求4所述的一种LoRa非平稳射频指纹特征提取方法，其特征在于，对输入的时频特征图利用分数域小波散射网络进行特征系数计算，分数域小...

【专利技术属性】
技术研发人员：徐东阳，张田田，任品毅，任占义，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：