本發(fā)明涉及無線通信領域，具體是一種基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法。

背景技術：

在無線通信系統(tǒng)中，由無線網絡的開放性帶來的安全問題不容忽視。

傳統(tǒng)的方法主要基于密碼機制的安全協議來實現對數據完整性和機密性的保護，以及提供通信雙方身份的認證。但是這樣的認證信息很容易被惡意用戶通過軟件仿造，存在著潛在的威脅?？紤]到即使是同一廠家生產的同一型號的不同設備，在制造過程中，由于氧化層厚度、摻雜濃度等不同會形成個體差異，而這些個體差異也會在通信信號中有所體現。

無線通信的射頻指紋提取和識別技術就是通過分析無線設備的通信信號來提取設備的“射頻指紋”，從而進行設備識別。設備識別準確率很大程度上取決于指紋特征的選擇，因此需要研究包含在通信信號中的設備指紋特征，以提高設備識別準確率。

現有的射頻指紋識別技術中存在低信噪比情況下，設備的識別準確率不高的問題；比如圍線積分雙譜中矩形積分雙譜、圓周積分雙譜和軸線積分雙譜等，雖然具有高階譜抑制高斯噪聲、保留信號幅度和相位信息的特征，同時處理的方法比較簡便而得到廣泛應用。但是，圍線積分雙譜通過選擇不同的圍線積分路線將二維雙譜矩陣轉化為一維矩陣的過程中，忽略了很多雙譜矩陣固有的特征，導致在低信噪比下識別準確率并不理想。

技術實現要素：

本發(fā)明針對現有的射頻指紋識別技術中，存在的低信噪比條件下識別準確率不高的問題，提出了一種基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法；

具體步驟如下：

步驟一、針對ofdm系統(tǒng)發(fā)送端的某個比特流信號，采用qpsk映射得到qpsk信號s(n)；

n＝0,1,2…n-1，n為qpsk信號s(n)的長度；

步驟二、將qpsk信號s(n)經過上變頻后，得到調頻信號p(n)，并輸入到功率放大器中，輸出信號φ(n)；

調頻信號p(n)計算如下：

p(n)＝s(n)e^j2πnft

其中f為發(fā)送端的載波頻率，為qpsk信號s(n)的采樣間隔。

功率放大器采用泰勒多項式模型，功率放大器輸出信號為：

ls為泰勒多項式的階數，{al}為多項式系數。

步驟三、將輸出信號φ(n)經過數模轉換處理后得到模擬信號，將模擬信號發(fā)送出來并在發(fā)送過程中加入高斯白噪聲，接收端經過模數轉換處理后得到數字信號r(n)；

r(n)＝φ(n)+υ(n)

υ(n)為高斯白噪聲；

步驟四、將數字信號r(n)經過下變頻后得到基帶信號，從基帶信號中提取射頻指紋特征；

射頻的指紋特征包括：雙譜能量熵，一階矩和二階矩。

具體包括：

步驟401、將數字信號r(n)經過下變頻后得到基帶信號y(n)；

y(n)＝r(n)e^-j2πnft

步驟402、計算基帶信號y(n)的三階累積量c3y(τ1,τ2)，并利用三階累積量求出信號雙譜b(ω1,ω2)；

三階累積量計算如下：

c3y(τ1,τ2)＝e{y*(n)y(n+τ1)y(n+τ2)}

*代表復共軛，τ1,τ2≥0代表時間的差值。

對三階累積量c3y(τ1,τ2)進行二維離散傅里葉變換得到基帶信號雙譜b(ω1,ω2)：

ω1,ω2∈(-π,π]代表數字角頻率，分辨率為其中nfft為傅里葉變換點數；根據傅里葉變換點數構造nfft*nfft的矩陣為基帶信號雙譜矩陣b；雙譜矩陣b中第行列的數據為b(ω1,ω2)的值。

步驟403、利用基帶信號雙譜b(ω1,ω2)求出射頻指紋特征——雙譜能量熵；

首先，利用基帶信號雙譜b(ω1,ω2)計算雙譜能量矩陣e中點(i,j)的雙譜能量值eij；

計算如下：

其中i,j＝1,2…nfft。

然后，計算雙譜能量矩陣e中各點能量之和，并計算點(i,j)的能量在總能量中的占比pij；

雙譜能量矩陣e中各點能量之和為：

占比pij表示為：

最后，利用每個點的能量在總能量中的占比pij計算雙譜能量熵en；

如下：

步驟404、將雙譜矩陣b轉化為ζ-bit灰度圖像矩陣g；

代表向下取整；bm',n'代表雙譜矩陣b中點(m',n')的數據；gm',n'代表灰度圖像矩陣g中的點(m',n')的數據，取值范圍為0～2^ζ-1；m',n'＝1,2…nfft；

步驟405、分別求出灰度圖像矩陣g的一階矩μ和二階矩ξ；

其中nb＝nfft×nfft代表灰度圖像矩陣g中點的總數。

步驟五、通過svm分類器對射頻指紋特征進行分類訓練和測試，得到測試類別結果。

具體為：

步驟501、將發(fā)送端提取所有比特流的射頻指紋特征組成特征向量[en,μ,ξ]，劃分成樣本特征向量集合d和測試特征向量集合d′。

步驟502、用樣本特征向量集合d中的特征向量訓練svm分類器；

步驟503、將測試特征向量集合d中的特征向量輸入到訓練好的svm分類器中，得到測試類別結果。

步驟六、將測試類別結果與其實際類別結果做對比，得到分類準確率pc。

本發(fā)明的優(yōu)點在于：

1)、一種基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法，通過svm分類器能夠對射頻信號進行有效分類。

2)、一種基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法，在低信噪情況下的識別準確率相較于傳統(tǒng)的圍線積分雙譜特征提升了近20％。

附圖說明

圖1是本發(fā)明基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法信號發(fā)送和接收示意圖；

圖2是本發(fā)明基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法的原理圖；

圖3是本發(fā)明基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別方法的流程圖；

圖4是本發(fā)明實施例中選取10db的snr時，3種設備的射頻指紋特征在特征空間的投影圖；

圖5是本發(fā)明實施例中分類準確度與snr的關系比較圖。

具體實施例

下面結合附圖對本發(fā)明的具體實施方法進行詳細說明。

一種基于qpsk信號雙譜能量熵和顏色矩的射頻指紋識別技術(aradiofrequencyfingerprintingidentificationmethodbasedonbispectrumenergyentropyandcolormomentsofqpskmodulationsignal)，結合雙譜能量熵，以及雙譜矩陣轉化為二維灰度數字圖像后得到圖像一階矩和二階矩，組成3維指紋特征進行設備識別，應用于qpsk調制信號的射頻指紋識別技術，有效的提高了低信噪比下射頻設備的識別準確率，從而保證通信安全。

如圖1所示，信號從發(fā)送端到接收端的處理流程為：

發(fā)送端的某個比特流信號，采用qpsk映射得到qpsk信號s(n)；經過上變頻后，得到調頻信號p(n)，并輸入到功率放大器中，輸出信號φ(n)；功率放大器是發(fā)送端最末端的一個元件，其非線性特征也是發(fā)送設備的主要標識特征；本發(fā)明從不同功率放大器的非線性特征的差異在接收端接收的信號中的不同體現入手，選擇和提取射頻指紋特征，進行設備識別。通過將輸出信號φ(n)經過數模轉換處理后得到模擬信號，將模擬信號發(fā)送出來并在發(fā)送過程中加入awgn，接收端經過模數轉換處理后得到數字信號r(n)，經過下變頻后得到基帶信號，從基帶信號中提取射頻指紋特征；

然后，通過svm分類器對射頻指紋特征進行分類訓練和測試，得到測試類別結果。具體過程如圖2所示，通過將測試類別結果與其實際類別結果做對比，得到分類準確率pc。

如圖3所，具體步驟如下：

步驟一、針對ofdm系統(tǒng)發(fā)送端的某個比特流信號，采用qpsk映射得到qpsk信號s(n)；

n＝0,1,2…n-1，n為qpsk信號s(n)的長度；

步驟二、將qpsk信號s(n)經過上變頻后，得到調頻信號p(n)，并輸入到功率放大器中，輸出信號φ(n)；

調頻信號p(n)計算如下：

p(n)＝s(n)e^j2πnft

其中f為發(fā)送端的載波頻率，為qpsk信號s(n)的采樣間隔。

功率放大器采用泰勒多項式模型，功率放大器輸出信號為：

ls為泰勒多項式的階數，{al}為多項式系數。

步驟三、將輸出信號φ(n)經過數模轉換處理后得到模擬信號，將模擬信號發(fā)送出來并在發(fā)送過程中加入高斯白噪聲，接收端經過模數轉換處理后得到數字信號r(n)；

r(n)＝φ(n)+υ(n)

υ(n)為高斯白噪聲；

步驟四、將數字信號r(n)經過下變頻后得到基帶信號，從基帶信號中提取射頻指紋特征；

射頻的指紋特征包括：雙譜能量熵，一階矩和二階矩。

具體包括：

步驟401、將數字信號r(n)經過下變頻后得到基帶信號y(n)；

y(n)＝r(n)e^-j2πnft

步驟402、計算基帶信號y(n)的三階累積量c3y(τ1,τ2)，并利用三階累積量求出信號雙譜b(ω1,ω2)；

三階累積量計算如下：

c3y(τ1,τ2)＝e{y^*(n)y(n+τ1)y(n+τ2)}

*代表復共軛，τ1,τ2≥0代表時間的差值。

對三階累積量c3y(τ1,τ2)進行二維離散傅里葉變換得到基帶信號雙譜b(ω1,ω2)：

ω1,ω2∈(-π,π]代表數字角頻率，分辨率為其中nfft為傅里葉變換點數；根據傅里葉變換點數構造nfft*nfft的矩陣為基帶信號雙譜矩陣b；雙譜矩陣b中第行列的數據為b(ω1,ω2)的值。

步驟403、利用基帶信號雙譜b(ω1,ω2)求出射頻指紋特征——雙譜能量熵；

首先，雙譜b(ω1,ω2)的能量矩陣用e表示，利用基帶信號雙譜b(ω1,ω2)計算雙譜能量矩陣e中點(i,j)的雙譜能量值eij；

雙譜的；

計算如下：

其中i,j＝1,2…nfft。

然后，計算雙譜能量矩陣e中各點能量之和，并計算點(i,j)的能量在總能量中的占比pij；

矩陣e中各點能量之和e為：

占比pij表示為：

最后，利用每個點的能量在總能量中的占比pij計算雙譜能量熵en；

為了衡量雙譜的分布均勻程度，本發(fā)明采用能量熵來表示雙譜能量的分布情況。如果能量在二維平面均勻分布，那么其能量熵值最大。反之，若能量主要集中在某些區(qū)域內，那么其能量熵值較小。

如下：

步驟404、將雙譜矩陣b轉化為ζ-bit灰度圖像矩陣g；

雙譜可以看作一個包含了灰度強度信息的二維灰度數字圖像，以ζ-bit灰度圖像為例，通過下式將雙譜矩陣轉化為灰度圖像矩陣：

代表向下取整；bm',n'代表雙譜矩陣b中點(m',n')的數據；gm',n'代表灰度圖像矩陣g中的點(m',n')的數據，取值范圍為0～2^ζ-1；m',n'＝1,2…nfft；

步驟405、分別求出灰度圖像矩陣g的一階矩μ和二階矩ξ；

本發(fā)明通過提取灰度圖像的一階和二階顏色矩來描述兩個圖像灰度強度信息分布情況，一階矩μ衡量灰度圖像的平均強度，二階矩ξ代表圖像灰度強度的標準偏差。

其中nb＝nfft×nfft代表灰度圖像矩陣g中點的總數。

步驟五、通過svm分類器對射頻指紋特征進行分類訓練和測試，得到測試類別結果。

具體為：

步驟501、將發(fā)送端提取所有比特流的射頻指紋特征組成特征向量[en,μ,ξ]，劃分成樣本特征向量集合d和測試特征向量集合d′。

步驟502、用樣本特征向量集合d中的特征向量訓練svm分類器；

步驟503、將測試特征向量集合d中的特征向量輸入到訓練好的svm分類器中，得到測試類別結果。

步驟六、將測試類別結果與其實際類別結果做對比，得到分類準確率pc。

本發(fā)明將雙譜的能量熵和顏色矩結合作為設備的射頻指紋特征[en,μ,ξ]。功率放大器泰勒多項式模型中泰勒多項式階數ls＝3，并取三組{al}作為3種設備功率放大器模型多項式系數。如圖4所示，在信噪比snr＝10db時，3種設備的射頻指紋特征在特征空間的投影圖中可知，該射頻指紋特征能夠較好地對不同設備進行區(qū)分。

在提取信號雙譜能量熵和顏色矩的基礎上，應用svm分類器實現設備識別，在不同snr下通過訓練和檢測設備，其識別情況如圖5所示，由圖可以發(fā)現在低信噪比下，設備正確識別率pc可以達到超過80％，并隨著snr的增加，pc不斷上升，在20db時達到超過95％的正確識別率。