基于射频指纹的卫星测控地面站身份识别方法.pdf
《基于射频指纹的卫星测控地面站身份识别方法.pdf》由会员分享,可在线阅读,更多相关《基于射频指纹的卫星测控地面站身份识别方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、基于射频指纹的卫星测控地面站身份识别方法唐晓刚*冯俊豪张斌权郇浩任彦洁李海滨(航天工程大学信息学院北京101407)(北京理工大学信息与电子学院北京100081)摘要:传统卫星测控通常采用加密认证安全机制,存在身份假冒、欺骗等安全问题,该文提出一种基于射频指纹的卫星测控地面站身份识别方法,并设计了一种面向星载平台的轻量化卷积神经网络。该网络首先使用IQ方向上的卷积层提取IQ信号相关特征,将2维数据降成了1维,再使用时序方向上的多层卷积提取信号的时域结构特征,之后使用最大池化层降低数据维度,在充分利用IQ信号中包含的原始特征信息的同时减小计算量,最后经过两层全连接层进行分类,实现对卫星测控地面站
2、身份识别。仿真实验表明,该方法对21台发射机个体的平均准确率为93.8%,较传统的支持向量机方法提高了39.8%,较DLRF网络模型、ORACLE网络模型分别提高了11.5%,29.8%,且具有鲁棒性强、轻量化的优点。该文所提方法对于提高卫星测控链路安全性具有一定的理论参考和工程应用价值。关键词:测控安全;射频指纹;身份识别;深度学习中图分类号:TN975文献标识码:A文章编号:1009-5896(2023)07-2554-07DOI:10.11999/JEIT220804Satellite Telemetry Track and Command Ground StationIdentific
3、ation Method Based on RF FingerprintTANGXiaogangFENGJunhaoZHANGBinquanHUANHaoRENYanjieLIHaibin(School of Aerospace Information,Space Engineering University,Beijing 101407,China)(School of Information and Electronics,Beijing Institute of Technology,Beijing 100081,China)Abstract:Encryptionauthenticati
4、onisgenerallyadoptedtoensurethesecurityoftraditionalsatelliteTelemetryTrackandCommand(TT&C).However,severalsecuritylimitationsremaintobeimprovedsuchasidentitycounterfeitinganddeception.AsatelliteTT&Cgroundstationidentityrecognitionmethodviaradiofrequencyfingerprintispresented,andalightweightconvolut
5、ionalneuralnetworkforsatelliteplatformsisdesigned.RelevantfeaturesoftheIQsignalareextractedthroughtheconvolutionlayerintheIQdirection,whichconvertsthetwo-dimensionaldatatoonedimension.Thetime-domainstructuralfeaturesofthesignalareextractedbyusingthemulti-layerconvolutioninthetime-seriesdirection.The
6、namaximumpoolinglayerisdevelopedtoreducethedatadimension,ensuringthattheoriginalfeatureinformationcontainedintheIQsignalisfullyutilizedandthecomputationburdenisreduced.Finally,theidentificationofthesatelliteTT&Cgroundstationisrealizedbytwofullconnectionlayers.Simulationexperimentsshowthattheaveragea
7、ccuracyoftheproposedmethodfor21transmittersis93.8%,whichis39.8%higherthanthetraditionalsupportvectormachinemethod,11.5%higherthantheDLRFnetworkmodel,and29.8%higherthantheOraclenetworkmodel.Andtheresultsindicatethattheproposedmethodisrobustandrequireslesscomputation,whichshowsthetheoreticalreferences
8、andengineeringapplicationvalueforimprovingthesecurityofthesatelliteTT&Clink.Key words:TelemetryTrackandCommand(TT&C)security;RFfingerprinting;Identityrecognition;Deeplearning收稿日期:2022-06-17;改回日期:2022-09-13;网络出版:2022-10-14*通信作者:唐晓刚基金项目:国家自然科学基金(62027801)FoundationItem:TheNationalNaturalScienceFoundat
9、ionofChina(62027801)第45卷第7期电子与信息学报Vol.45No.72023年7月JournalofElectronics&InformationTechnologyJul.20231 引言卫星通信具有通信距离远、覆盖范围广等优势,被广泛应用于民事和军事领域1。但其测控信号的信道具有开放性的特点,易被电子侦察截获,存在假冒身份、欺骗等安全问题。通常卫星测控安全采用加密的身份认证机制,但随着大数据和人工智能的飞速发展,密码破译难度越来越小,存在着安全风险2,3。无线通信设备电子元器件在生产过程中的容差会导致不同发射器产生的信号具有细微的差别,这些细微的差别就形成了信号的“指纹
10、”特征。射频指纹识别技术就是检测和识别出无线电信号中所独有的、不可伪造的信号“指纹”特征,能够识别特定发射器,是一种基于设备物理层硬件的非密码认证方法。与加密认证相比,它具有认证速度快、兼容性好等优点4。传统的射频指纹识别方法需要先人工选择特征,再设计分类器,需要一定的专家领域知识,且受环境影响较大。深度学习的方法可将提取特征和分类识别结合到一起,无需人工选择特征,实现端到端的身份识别,也可结合变换域、星座图等特征进行识别,可有效避免传统方法在面对复杂环境时识别率低的问题5。文献6利用信号的双谱特征结合卷积神经网络进行识别,效果优于传统的基于Hilbert-Huang变换等方法;文献7将原始的
11、IQ信号变换成差分轮廓星图,再利用深度卷积神经网络进行图像识别,对20台WiFinetwork设备进行识别实验,准确率达到了98.6%;文献8直接将原始IQ基带信号送入1维卷积神经网络进行识别,在信噪比为40dB下达到了91.38%的准确率;文献9同样用原始IQ信号作为输入,对于16台USRP设备具有99%的识别准确率。但这些方法都旨在提高算法的识别准确率,忽视了模型大小和计算复杂度,其网络结构参数过多,运算复杂。考虑到星载平台计算存储能力有限,本文提出了一种轻量化的卷积神经网络。首先使用原始IQ信号作为输入,减小变化所需的计算量,提取IQ相关特征和时域结构特征,再通过优化网络模型、使用最大池
12、化层降维减小参数量和算法复杂度,同时兼顾识别准确率和模型鲁棒性,仿真实验表明,所提网络具有识别准确率高、轻量化且鲁棒性强的优点,可用于对测控信号进行身份识别。2 射频指纹特征分析测控信号是地面站发射出的无线信号,如图1是一个简化的IQ正交调制发射机模型,基带信号经过数字信号处理后进入数模转换模块,经过滤波、上变频,最后由功率放大器将信号发送到天线发射出去。发射机中电子元器件在生产过程中的容差会导致不同的无线通信设备产生的信号具有细微的差别,即使是同一厂家同一型号的无线通信设备也会因为容差效应存在一定程度的差异,包括功放的非线性、滤波的失真以及振荡器的频偏等,这些差异并不影响所传输的信息内容,但
13、却附加在信号上形成了每个信号独有的特征,即射频指纹,本文将根据正交调制器的模型分析调制器带来的差异。使用的调制方式不同其调制模型也会不同,即使是相同的调制方式,调制器硬件的细微差别也会有所不同。对于正交调制器而言,往往由于I路和Q路增益不平衡、相位不平衡和延时不平衡等引入非线性畸变10,11。cI(t)cQ(t)数字信号经过基带滤波成型后将分成I/Q两路信号,原编码序列分别用和表示,其表达式分别为I(t)=+n=cI(t)g(t kT+2)+I0(1)Q(t)=+n=cQ(t)g(t kT+2)+Q0(2)g(t)I0Q0其中,表示滤波器函数,表示I/Q延时不平衡带来的误差,和分别为I和Q路的
14、偏置,即载波图1IQ正交调制发射机模型第7期唐晓刚等:基于射频指纹的卫星测控地面站身份识别方法2555泄露,T为数模转换的周期。信号经过正交调制后,其输出信号可以表示为x(t)=I(t)G0(1 2)cos(w0t 2)+Q(t)G0(1+2)sin(w0t+2)(3)G0w0G0=1 I(t)=2sinw1t Q(t)=2cosw1tw1其中,表示基本增益,和 分别表示增益不平衡参数和I/Q两路相位不平衡参数,则表示载波频率。调制器所带来的差异表现在星座图上为星座点偏离理论值。以简单的单边带调制为例,令,是信号频率,则x(t)=2sinw1t(1 2)cos(w0t 2)+2cosw1t(1
15、+2)sin(w0t+2)=A1sin(w2t+a)+A2sin(w2t+b)(4)w2=w0+w1其中,A1=4cos2(2)+2sin2(2)(5)A2=4sin2(2)+2cos2(2)(6)a=arctan2tan(2)(7)b=arctan2tan(2)(8)定义边带拒绝(SidebandRejection,SBR)为不需要的信号功率与期望信号功率比SBR(dB)=10lgA22A21(9)理想条件下,SBR对星座图误差向量幅度(Er-rorVectorMagnitude,EVM)的影响可以定义为EVM=10SBR20(10)如图2所示,EVM反映了实际星座点与理论星座点的偏移程度,
16、不同调制器的差异所带来的幅度误差和相位误差必定是不同的,因此IQ基带信号包含的幅度、相位的相关信息可作为射频指纹。3 轻量化卷积神经网络结构设计目前用于射频指纹识别的卷积神经网络大多基于改进的AlexNet12等计算机视觉领域的经典网络,图像一般表示为MM,具有各向同性的性质,而信号的表示方式一般为N2格式,N代表时间序列,2代表原始IQ信号的实部和虚部,无法如图像般进行对称操作。因此通常会将信号变换成特征图谱以提高识别准确率,但这增加了额外计算量,经过网络中的数据压平(Flatten)操作,送入全连接层分类,又增加了大量参数,而用于直接处理IQ信号的1维网络结构忽视了信号之间的相位信息。本文
17、是以IQ信号作为基本处理单元,针对星载平台计算存储能力有限的特点设计了一种轻量化的卷积神经网络结构(RFFI),如图3所示,设计模型的思路为首先对2维的IQ原始数据进行降维,使用5层卷积以提高特征提取能力,中间使用最大池化层降低维数,最后使用两层神经元个数少的全连接层实现识别,同时使用32通道以减小计算量。从特征提取角度来说即先构造IQ信号方向上的卷积核提取相关特征,再使用1维卷积提取时域结构特征,最后通过多层次的特征提取充分利用IQ信号的相关信息实现识别。在特征提取阶段,输入的信号格式为N2的形图2EVM示意图图3RFFI网络结构模型2556电子与信息学报第45卷式,首先利用(1,2)的卷积
18、核提取IQ方向上的相关特征,同时将2维数据降维成1维,减小后续时域卷积的计算量,在使用5层(7,1)的卷积核提取时序方向上的时域结构特征,在保证提取足够时域结构特征的前提下提高特征提取能力,之后使用卷积核和步长均为(2,1)的最大池化层减小数据维数,并使用批标准化(BatchNormalization,BN)增加模型的泛化能力和加快收敛速度,通过这种多层次的特征提取,充分利用IQ信号信息的同时,还减少了计算量。在分类阶段,RFFI使用了2层全连接层作为分类器,但由于之前用了最大池化层降维,这里的全连接层神经元个数大幅度减少,在保证特征非线性映射能力的同时降低计算量,为了避免过拟合现象,全连接层
19、之间使用了50%的Dropout层,最后使用Softmax函数输出结果,输出为L个类别,编号是0至L1。此外卷积层之间的激活函数使用ReLU,使用Adam优化器训练网络的权值,初始学习率为0.001,使用交叉熵作为损失函数,实验迭代训练30次,每训练1轮验证1次,参数的选择来源于实验验证的结果。4 实验结果与分析本文的实验平台为CentOSLinuxrelease7.9.2009(Core)操作系统,CPU为Intel(R)Xeon(R)Gold5218CPU2.30GHz,使用的GPU为NVIDIAA30,CUDA版本为11.4,编程语言为Python3.8.5,深度学习架构为Pytorch
20、1.10.0。4.1 FIT/Corte Xlab数据集为仿真复杂的测控信道环境和信号接收处理方法,本文所使用的是FIT/CorteXlab数据集13,数据是以接收机采样接收到的原始IQ数据流的格式存储,这和测控终端使用数字接收机接收的信号格式是一致的,其仿真接收的信号中包含变功率发射的信号,这能够很好地模拟因距离和环境干扰对测控信号所造成的影响,多种信道类型可模拟复杂的电磁信道环境。FIT/CorteXlab数据集由22台NIUSRPN2932SDR设备生成,其中21台为发射器、1台用作接收器,通信频点为433MHz,采样速率为5MSample/s,所有发射器都使用相同的频带。数据集中发送的
21、数据类型有3种,一是QPSK调制位的固定序列:发射器发送完全相同的802.15.4序言的位序列,以下称为固定包;二是QPSK随机调制位序列:发射器产生随机的位序列,称为随机包;三是噪声序列:噪声源随机均匀产生的位序列,称为噪声包。发送到数据信道类型包括两种:固定功率:所有发射器以相同的振幅发送;变化功率:发射器以变化的振幅发送,模拟每个发射器的路径损失变化,其中变功率信号的信噪比变化范围为914dB。机器人干扰:有效载荷的发送方式为固定包,在场景中引入一辆遥控车,用金属板覆盖以增加无线电波的反射,在房间内随机移动形成干扰。此外还有一把金属椅子静止放置,引入了新反射来随机化多路径参数。本文使用了
22、10个场景下的数据集,表1列出了所使用的各个场景的数据类型、发射功率和信道类型,以此设计了两组实验,场景1场景6为1组,训练和测试都来自同一组,比较不同方法的准确性;场景7场景10为1组,训练和测试在不同的场景,在场景7中训练在场景8中测试,在场景9中训练在场景10中测试,比较不同方法的鲁棒性。4.2 数据预处理在实验过程中需对信号进行一定的处理才能送入识别网络,本文采取的预处理方式如下:(1)数据归一化处理,加快模型求解速度;(2)对数据进行截取,对归一化的IQ两路数据,每隔一定数目的采样点(即N个点)作为一个数据样本进行截取,如图4所示,本文取N=600,以原作者的截取方式能够更好地进行对
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 射频 指纹 卫星 测控 地面站 身份 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。