本技术公开了一种面向长度可变信号的轻量级射频指纹识别方法,涉及指纹识别技术领域。包括:S1.获取不同的用于训练用物联网设备,采集已标注信号数据包;S2.对信号数据包进行预处理,形成训练数据集;S3.基于深度可分离卷积构建深度可分离卷积神经块‑SCU模块,基于SCU模块设计搭建SCU‑Net网络;S4.利用训练数据集对SCU‑Net网络进行训练,获得初步神经网络,使用人为添加噪声、模拟多路径效应的方式扩展数据,并对神经网络再训练,获得训练后卷积神经网络;S5.获取待识别设备Lora信号,对Lora信号进行预处理,输入训练后卷积神经网络中,得到待识别设备对应的识别结果。本发明能够解决现有识别方案成本高、设备要求高的不足,实现了低成、轻量化的设计需要。
背景技术
在物联网快速发展的大背景下,物联网接入设备数量急剧增加,其安全性变得愈发重要。为防止非法设备接入,保护设备隐私数据,允许合法用户访问网络,我们在接入物联网设备时需要对其进行身份验证。传统的认证方式依赖于软件地址,如依赖于MAC地址等软件地址,这些地址很容易被篡改。一旦恶意用户获得通行凭证,他们就可以访问用户隐私数据或发动恶意攻击。此外,物联网接入设备中大部分是中小型设备,这些设备往往是成本较低且功率受限的。因此,迫切需要轻量级和可靠的设备身份验证方案来确保物联网接入设备安全。
目前,使用固有物理层特性的身份验证方式已经在物联网的通信安全认证方面表现出了巨大的优势。与传统的高层身份验证技术相比,物理层身份验证依赖于制造过程中产生的设备固有硬件损伤(被称为射频指纹)来进行有效的身份验证。这些由制造偏差引起的硬件特性差异非常小,且不会影响设备的正常通信,与人类的生物特征指纹类似,因为其独特性都无法轻易被篡改,这种验证方式我们称其为射频指纹识别(Radio FrequencyFingerprint Identification, RFFI)。这是一种非常有前途的非加密技术。采用这种技术使得对于物联网设备的身份验证将不再受物联网本身设备性能有限的影响。因此,它特别适用于功率受限和低成本的物联网设备。
传统的RFFI方法高度依赖于所设计的算法质量并且需要专家经验作为支持,在实际的应用场景中有较大的局限性,不适用于海量物联网设备场景。为打破传统RFFI方法的局限性,深度学习(Deep learning, DL)方法被引入RFFI场景并取得了广泛应用,这成为了近年大家对于设备认证领域的关注热点。相较于传统RFFI方法,基于深度学习的方法在数据挖掘和特征提取方面展现出了更大的优势,其可以同时处理特征提取和设备识别两大模块,且具有更强的鲁棒性和信号表征能力。例如,Qian等人利用固定长度的前导码作为输入,将注意力机制引入卷积神经网络中来提取信号隐藏特征。Cai等人利用深度可分离卷积神经网络来实现轻量级射频指纹识别。Zhang等人利用知识驱动的多尺度注意力卷积网络来捕获更高级别的特征进行认证。但目前采用深度学习进行射频指纹认证的方案大部分的输入都是使用固定长度的输入,特别是像CNN、DNN等神经网络都是专门为固定长度的输入而设计的。为此,Shen等人设计了面向信号长度可变场景的射频指纹识别方案,提出了信道无关谱图来减轻信道影响效应虽然上述提到的采用各类神经网络的射频指纹识别方案在一定程度上取得了较好的分类与识别效果,但是更深层次的模型意味着所采用的网络模型将具有更多的参数。这不仅会导致计算开销增加,而且对于设备的性能提出了更高的要求,使用高性能接收器将不可避免地增加实现成本,从而导致缺乏可复制性。这一需求不符合物联网设备整体上海量、廉价的特点。
实现思路