【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种模型训练方法、装置、设备、存储介质及程序产品。
技术介绍
1、随着第六代移动通信技术的发展，网络安全问题日益凸显。特定辐射源识别(sei，specific emission identification)技术能够根据提取到的信号的射频指纹进行通信设备的识别与认证。现有的特定辐射源识别方法主要是基于深度学习，并且依赖于大量的标记数据，在标记数据受限的场景下，通信设备的识别认证的精度较低。
技术实现思路
1、本申请的主要目的在于提供一种模型训练方法、装置、设备、存储介质及程序产品，旨在解决现有的特定辐射源识别方法主要是基于深度学习，并且依赖于大量的标记数据，在标记数据受限的场景下，通信设备的识别认证的精度较低的技术问题。
2、为实现上述目的，本申请提出一种模型训练方法，所述的方法包括：
3、获取通信设备的wi-fi信号数据集，所述wi-fi信号数据集包括辅助数据集，所述辅助数据集中的信号样本是由wi-fi信号进行信号相位旋转得到的，每一所述信号样本具有旋转标签值；
4、将所述辅助数据集输入预设的神经网络模型进行信号旋转预测，得到信号特征和模型参数；
5、确定所述信号特征和所述模型参数的损失值，并根据所述损失值更新所述神经网络模型，得到设备识别模型，其中，所述设备识别模型用于识别所述通信设备的类别。
6、在一实施例中，所述获取通信设备的wi-fi信号数据集的步骤包括：
7、对原始样本依次
8、依照所述实例编号标签值对每一原始样本分别执行预设次数的信号相位旋转，并根据信号相位旋转后的样本生成时频图；
9、获取所述时频图对应的旋转标签值，根据所述时频图和所述旋转标签值生成所述辅助数据集。
10、在一实施例中，所述wi-fi信号数据集包括目标数据集，所述目标数据集中每一信号样本具有设备类别标签值，所述确定所述信号特征和所述模型参数的损失值，并根据所述损失值更新所述神经网络模型，得到设备识别模型的步骤之后，还包括：
11、将所述目标数据集输入增加新的分类器的所述设备识别模型，识别得到信号样本对应的设备类别；
12、根据识别得到的设备类别与所述设备类别标签值更新所述设备识别模型，保存更新后的所述设备识别模型。
13、在一实施例中，所述信号特征包括模型编码特征、高维均值特征、低维均值特征，所述模型参数包括模型预测值、模型权重，所述将所述辅助数据集输入预设的神经网络模型进行信号旋转预测，得到信号特征和模型参数的步骤还包括：
14、将所述辅助数据集输入神经网络模型，所述神经网络模型的特征编码器提取预设维度的图像编码特征，将预设维度的图像编码特征划分为至少两个子维度的图像编码特征；
15、根据至少两个子维度的图像编码特征的平均值，确定高维均值特征；
16、将所述高维均值特征映射至低维空间，得到低维均值特征；
17、获取所述神经网络模型基于预设维度的图像编码特征，预测得到的模型预测值及所关联的模型权重值。
18、在一实施例中，所述信号特征包括模型编码特征、高维均值特征、低维均值特征，所述模型参数包括模型预测值、模型权重，所述确定所述信号特征和所述模型参数的损失值的步骤包括：
19、根据交叉熵损失函数、所述模型预测值和所述旋转标签值，得到分类损失值；
20、根据均方误差函数、所述高维均值特征与子维度的模型编码特征，得到均方误差损失值；
21、根据噪声对比估计损失函数、所述低维均值特征与实例编号标签值，得到噪声对比估计损失值。
22、在一实施例中，所述根据所述损失值更新所述神经网络模型，得到设备识别模型的步骤包括：
23、获取自适应损失权重，分别对所述交叉熵损失值、所述均方误差损失值、所述噪声对比估计损失值加权并累和，得到联合损失值；
24、根据联合损失值进行反向传播，获得梯度；
25、根据所述梯度更新神经网络模型的参数，直至获取设备识别模型。
26、此外，为实现上述目的，本申请还提出一种模型训练装置，所述模型训练装置包括：
27、获取模块，用于获取通信设备的wi-fi信号数据集，所述wi-fi信号数据集包括辅助数据集，所述辅助数据集中的信号样本是由wi-fi信号进行信号相位旋转得到的，每一所述信号样本具有旋转标签值；
28、预测模块，用于将所述辅助数据集输入预设的神经网络模型进行信号旋转预测，得到信号特征和模型参数；
29、更新模块，用于确定所述信号特征和所述模型参数的损失值，并根据所述损失值更新所述神经网络模型，得到设备识别模型，其中，所述设备识别模型用于识别所述通信设备的类别。
30、此外，为实现上述目的，本申请还提出一种模型训练设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的模型训练方法的步骤。
31、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的模型训练方法的步骤。
32、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的模型训练方法的步骤。
33、本申请提出的一个或多个技术方案，至少具有以下技术效果：
34、获取通信设备的wi-fi信号数据集；将辅助数据集输入预设的神经网络模型进行信号旋转预测，得到信号特征和模型参数；确定信号特征和模型参数的损失值，并根据损失值更新神经网络模型，得到设备识别模型，设备识别模型用于识别通信设备的类别。通过神经网络模型从辅助数据集中学习信号相位旋转相关与旋转无关的解耦表征，从而提取更鲁棒更有益于特定辐射源识别的射频指纹的信号特征，再基于提取的信号特征完成对wi-fi设备的识别与认证，降低了对于标记数据的依赖，提高了在样本受限场景下wi-fi信号的检测效率与设备识别认证精度，提高了在不同环境下的通用性。
本文档来自技高网...【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述获取通信设备的Wi-Fi信号数据集的步骤包括：
3.如权利要求1所述的方法，其特征在于，所述Wi-Fi信号数据集包括目标数据集，所述目标数据集中每一信号样本具有设备类别标签值，所述确定所述信号特征和所述模型参数的损失值，并根据所述损失值更新所述神经网络模型，得到设备识别模型的步骤之后，还包括：
4.如权利要求1所述的方法，其特征在于，所述信号特征包括模型编码特征、高维均值特征、低维均值特征，所述模型参数包括模型预测值、模型权重，所述将所述辅助数据集输入预设的神经网络模型进行信号旋转预测，得到信号特征和模型参数的步骤还包括：
5.如权利要求1所述的方法，其特征在于，所述信号特征包括模型编码特征、高维均值特征、低维均值特征，所述模型参数包括模型预测值、模型权重，所述确定所述信号特征和所述模型参数的损失值的步骤包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述损失值更新所述神经网络模型，得到设备识别模型的步骤包括：
<...【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述获取通信设备的wi-fi信号数据集的步骤包括：
3.如权利要求1所述的方法，其特征在于，所述wi-fi信号数据集包括目标数据集，所述目标数据集中每一信号样本具有设备类别标签值，所述确定所述信号特征和所述模型参数的损失值，并根据所述损失值更新所述神经网络模型，得到设备识别模型的步骤之后，还包括：
4.如权利要求1所述的方法，其特征在于，所述信号特征包括模型编码特征、高维均值特征、低维均值特征，所述模型参数包括模型预测值、模型权重，所述将所述辅助数据集输入预设的神经网络模型进行信号旋转预测，得到信号特征和模型参数的步骤还包括：
5.如权利要求1所述的方法，其特征在于，所述信号特征包括模型编码特征、高维均值特征、低维均值特征，所述模型参数包括模型预测值、模型权重...
【专利技术属性】
技术研发人员：陆放，
申请(专利权)人：中国移动通信集团江苏有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。