[發明專利]一種基于波束模式的射頻指紋方法

在審

• 申請號: 202210835170.6
• 申請日: 2022-07-15
• 公開（公告）號: CN115114961A
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 王寧;魏薏橋;向濤;李衛衛;郭尚偉;何家玲;劉高
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶青飛知識產權代理有限公司 50283
• 代理人: 彭啟龍

1.一種基于波束模式的射頻指紋方法，其特征在于：該方法利用IEEE 802.11ad協議提取毫米波設備的波束模式軌跡特征構建可區分單個設備的毫米波射頻指紋，具體包括以下步驟：

S1：提取毫米波設備的波束模式軌跡信號特征；

S2：基于提取的毫米波設備波束模式軌跡信號，采用孿生網絡模型對基于波束模式軌跡的射頻指紋進行學習和訓練；

S3：射頻指紋識別：利用訓練樣本訓練好識別模型之后，利用模型對未知指紋信號進行測試識別，并判斷新接入的通信設備是否是之前已經被記錄的合法設備，從而實現射頻指紋識別。

2.根據權利要求1所述的一種基于波束模式的射頻指紋方法，其特征在于：在步驟S1中，利用IEEE 802.11ad協議過程中多次波束模式的掃描過程提取波束模式軌跡信號，具體包括：

將用于分類的反向傳播神經網絡訓練視為一個最小化問題，即尋找最佳權重W_B1、W_B2和W_B3、以及偏差B_B1和B_B2，即：

其中g_B(*)是反向傳播神經網絡中的主動函數，i₁＝1,…,M₁和i₂＝1,…,M₂分別表示兩個隱藏層中的神經元數量；i₃＝1,…,M₃，表示訓練樣本數；x_B是一組向量，表示原始設備扇區級掃描SLS中的信噪比SNR軌跡，即反向傳播神經網絡的訓練樣本，其相應的標簽由Y_B表示；

隨著網絡收斂，損失函數E_B得值達到一定范圍，訓練完成，從SLS SNR記錄信道中提取獨特的特征，提取的特征數據F_B表示為如下形式：

F_B＝g_B(W_B2*g_B(W_B1*x_B+B_B1)+B_B2)。

3.根據權利要求2所述的一種基于波束模式的射頻指紋方法，其特征在于：在步驟S2中，在提取特定設備的波束模式軌跡信號之后，采用孿生網絡模型對基于波束模式軌跡的射頻指紋進行學習和訓練，具體包括：

訓練數據由兩組訓練樣本組成，一組稱為正向樣本L_G(.)，由來自同一個設備的波束模式軌跡信號組成，另一組稱為負向樣本L_I(.)，由來自不同設備的波束模式軌跡信號組成；通過設計損失函數，即：

Loss＝L_G(E_E,E_C)+L_I(E_E,E_C)

其中E_E表示歐幾里得距離，E_C表示余弦距離，L_G(.)為正的情況下的損失函數，L_I為負的情況下的損失函數；

考慮歐氏距離和余弦距離的特性，在正的情況下，在模型訓練期間，歐幾里德距離應該下降，而余弦距離應該增加；相反，在負的情況下，歐氏距離應增加，而歐氏距離應下降；根據觀察，L_G(.)表示為:

L_I(.)表示為：

其中t＝0表示正情況，t＝1表示負情況，Q₁和Q₂是平衡兩個距離度量的兩常數；

經過樣本訓練后，該神經網絡模型能夠最大化負向樣本之間的距離而同時最小化正向樣本之間的距離。

4.根據權利要求3所述的一種基于波束模式的射頻指紋方法，其特征在于：在步驟S3中，在利用訓練樣本訓練好識別模型之后，利用模型對未知指紋信號進行測試識別，以此來判斷新接入的通信設備是否是之前已經被記錄的合法設備，具體包括：

從新接入設備采集波束模式軌跡信號，將其和它ID所聲稱的設備的記錄信號一同輸入訓練好的孿生網絡，經過孿生網絡判斷后給出兩者是否是來自同一個設備的信號，如果是來自同一個設備則該新入設備是合法設備，如果孿生網絡模型判斷不是來自同一個設備，該新接入設備不是合法設備；

形式上表示為：若有一組SLS SNR跟蹤信號，給出預測值，即二元分類規則q:χ→Ψ＝{0，1}可以定義為：

其中為SLS中的SNR軌跡，為輸出預測值。