具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于信号导频的射频指纹识别方法及系统，精确的提取信号导频。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

以基于IEEE 802.15.4协议的无线通信系统为例，该协议规定了无线个人区域网络(LR-WPANs)的媒体访问控制层和物理层架构，为其他高层标准奠定了基础，常用于低速率、低功率和低复杂度短程射频传输的数据通信设备，例如 ZigBee、WirelessHart和MiWi。IEEE 802.15.4协议物理层采用正交四相相移键控(Orthogonal Quaternary Phase ShiftKeying，OQPSK)调制方式，数据信号在调制前要经过映射处理，其完整的调制过程如图2所示。

假设发送端待发送的二进制比特序列记为d^1×N。在实际通信系统中，信号在传输时会受到噪声干扰和多径干扰等各种影响，为了增强信号的抗干扰性、抗多径干扰能力、隐蔽性和易于实现码分多址(CDMA)，IEEE802.15.4协议规定信号在传输前需要进行一次直接序列扩频，直接利用具有高码率的扩频序列在发射端扩展信号频谱，然后在接收端用相同的扩频码序列进行解扩，把展开的扩频信号还原成原来的信号，发送端扩频调制过程如下：

首先将d^1×N按照每4个比特映射成一个符号S_i(Symbol)，所有的符号构成一个符号矩阵S^4×m：

其中，S^4×m表示符号矩阵，其每一列都代表一个Symbol，然后每个Symbol映射成一个32位的码片Chip_i，得到发送端的Chip序列

其中，p＝32×m，G(·)表示Symbol-To-Chip映射关系，当传输中心频率为2450MHz和2380MHz时Symbol-To-Chip映射关系如表1所示。

表1

然后将映射得到的Chip序列通过串并转换得到I路和Q路两路基带数字信号，经过OQPSK调制电路后经过射频前端发送出去，OQPSK调制过程如图3所示。

假设Chip序列经过串并转换后得到的复数信号记为

其中x_I(k)和x_Q(k)分别代表同相和正交分量，经过成型滤波器和模数转换后，其时域表达式如下：

其中，A和h(t)分别表示调制信号的幅度修正因子和成型滤波器的冲激响应，随后经过混频器对I路与Q路信号实现上变频，理想情况下，I/Q路混频器载波应该是正交的，通过混频器上变频后相加得到的OQPSK信号应该为：

然而，由于硬件存在的固有容差，I路和Q路调制信号的幅度修正因子会存在一定的修正误差，导致I/Q路幅度失配，假设失配系数记为α，同样的混频器也会给信号引入一定的相位误差Δθ，因此实际上得到的OQPSK信号应该为：

OQPSK信号在发送前需要经过射频前端的功率放大器获得合适的输出功率，当功率放大器工作在线性区域时，并不会引入射频指纹特征，然而由于功率放大器的低功率效率特性，当其工作在线性区域时会消耗更多的能量，因此出于节省能量的目的，大多数功率放大器会工作在饱和区附近，然而，功率放大器的放大效益与其线性程度成反比，因此工作在饱和区附近时会引入非线性效应，导致信号产生严重的非线性失真，通过功率放大器后的信号记为

x_PA(t)＝H_PA(x_Real(t)) (8)

其中H_PA(·)为功率放大器的非线性函数，有研究表明，功率放大器引入的非线性特性在频域的表现更加明显，因此可以通过功率谱密度作为射频指纹特征来区分不同的发射机。

IEEE 802.15.4通信协议规定信号传输过程中物理层帧结构如图4所示，每一帧由物理层同步帧头SHR、物理层帧头PHR和物理层负载PHY payload 组成，其中SHR包含了导频Preamble和开始帧分隔符SFD(Start Frame Delimiter)，导频为32个全零bit，SFD具有固定的内容[1 1 1 0 0 1 0 1]，PHR 前7bit定义了帧的长度，第8bit为保留位，PHYpayload为该帧携带的有用负载。

因此经过射频前端发送出去的信号x_PA(t)可以表达为：

x_PA(t)＝[x_Preamble；x_SFD；x_PHR；x_Payload] (9)

其中x_Preamble即为我们需要提取出来的信号导频，由于信号导频内容固定，每个设备发送的射频信号都具有相同的导频部分，因此可以用来进行射频指纹提取与识别，然而根据我们的调研发现，现有的导频提取方法都不能完全精确的找到并提取出信号的导频，基于窗函数和功率上升的方法对于连续信号一次只能提取一个导频，基于瞬态起点估计的方法受信道噪声影响大，不能准确找到导频的起始位置，基于人眼识别的方法效率低下。针对以上现状，本发明设计了一种全新的导频提取算法，有效解决了以上问题。

图1为本发明实施例一种基于信号导频的射频指纹识别方法流程图，如图 1所示，所述方法包括：

步骤101：获取输入信号。

图5给出了无线通信流程框架图，接收端接收到的信号记为r(t)：

r(t)＝x_PA(t)+n(t) (10)

其中n(t)为信道叠加噪声。

步骤102：对所述输入信号进行解调。

第一步，需要对接收到的信号r(t)进行解调，解调过程包括下变频、低通滤波、模数变换、采样、自动增益控制、匹配滤波、频率补偿和时间同步。首先利用混频器对信号进行下变频至基带信号，然后通过低通滤波器滤除带外噪声，在模数转换器中对信号进行奈奎斯特采样得到数字信号序列r[s]：

其中，表示卷积运算，h_LP(t)是接收端的低通滤波器，由于信号在空气中传播后会收到噪声干扰，因此在接收端对采样后的信号进行自动增益控制 (Automatic GainControl，AGC)，提高信噪比：

r_AGC[s]＝F_AGC(r[s]) (12)

其中，F_AGC(·)为AGC模块，经过自动增益控制后，再对信号进行匹配滤波(MatchedFilter，MF)得到r_MF[s]，匹配滤波的目的同样是为了提高信号信噪比：

r_MF[s]＝H_MF(r_AGC[s]) (13)

其中，H_MF(·)为MF模块，信号在传输过程中会产生频率偏移，对存在频率偏移的信号进行解码会引入误差，导致误码率上升，因此需要对信号进行频率补偿。首先使用基于快速傅里叶变换(FastFouriertransform，FFT)的方法 [11]进行粗频率补偿，该方法对OQPSK信号平方，得到两个谱峰，然后对两个谱峰的频率进行平均和减半从而得到粗补偿频率。

其中，m是调制阶数，R_sym是符号速率，N是采样数。粗频率补偿后得到信号r_CC[s]。精频率补偿基于中描述的OQPSK载波恢复算法，算法框图如图6 所示。

其中，λ_n是直接数字合成器(Direct Digital Synthesizer，DDS)的输出， DDS是用于处理时间离散序列的压控振荡器，是离散时间锁相环的核心部件，在本框图中，DDS充当积分滤波器。为了修正输入信号x_n的频率偏移，算法首先要确定相位误差e_n，相位误差的大小取决于调制方式，对于OQPSK调制方式，

为了确保系统的稳定性，将相位误差通过一个双二阶环路滤波器，得到：

ψ_n＝g_Ie_n+ψ_n-1 (17)

其中，ψ_n是环路滤波器第n个采样点的输出，g_I是积分器增益系数：

其中，d＝1+2ζθ+θ²，B_n是归一化环路带宽，ζ是阻尼因子，相位恢复增益K_o等于每个符号的样本数，调制方式决定了相位误差检测器的增益K_P，对于OQPSK调制方式，K_P＝2，然后将环路滤波器的输出ψ_n传递给DDS，得到：

λ_n＝(g_Pe_n-1+ψ_n-1)+λ_n-1 (19)

其中，最后，最大频率锁定延迟表示为：

精频率补偿后，得到信号r_FC[s]，然而，精频率补偿会引入的相位模糊，导致真正的星座图可能被旋转了0，π，或弧度，因此需要在后续的导频检测过程中考虑对以上四种情况进行相位补偿。最后利用[11]中描述的 OQPSK时间恢复算法进行时间同步，对时间同步后得到的信号进行串并变换，然后进行判决就能得到解调后的Chip序列，记为接收端Chip序列与发送端Chip序列具有相同的长度。

步骤103：采用滑动窗口的函数方法在解调后的输入信号中定位导频的起始位置。

如前所述，第二步就是在解调后得到的中定位导频起始位置。

IEEE802.15.4协议规定了物理层数据帧包括导频，SFD，PHR和信号有效荷载Payload，因此应该具有如下格式：

其中导频和SFD具有固定的内容，导频为4*8＝32个全零bits，根据表1 中的映射关系，32个全零bits的导频映射为8个编号为0的chip进行传输，所以C_rx,Preamble＝8*Chip₀，因此我们只需要在解调完成的Chip序列中，寻找出连续8个Chip₀就能找出导频，我们采用滑动的窗函数方法，窗口长度为一个 chip长度，即为32bits，每次滑动一个bit，当找到第一个Chip₀时，下一次滑动一整个chip长度，若连续出现8个Chip₀，则该段信号对应为原信号中的导频序列，为了防止误检测，我们利用同样的映射关系检测导频结束后的SFD序列，SFD具有固定的内容[1 1 1 0 0 1 0 1]，对应为Chip₇和Chip₁₀，因此如果检测出连续8个编号为Chip₀和紧接着的Chip₇和Chip₁₀,则证明检测出了信号的导频序列，导频序列为从第一个Chip₀的第一位开始，之后连续的32*8＝256个bit，图7给出了滑动过程，图8给出了算法框架。

此时我们提取出来的导频序列并非是原始信号中的导频，而是经过解调后的导频，此时的导频序列中已经不再包含设备的射频指纹信息，我们最终的任务是根据解调后的导频序列定位到原始信号中的导频部分，即(9)式中的 x_Preamble，假设信号在无线传输过程中受信道影响可以忽略不计，则认为x_Preamble可以用r[s]中的导频部分等价表示。

步骤104：根据所述导频的起始位置确定信号导频部分，得到导频信号。

如前所述第三步就是根据滑动窗找到的C_rx,Preamble对应上接收信号r[s]中的导频部分，r[s]经过自动增益控制，匹配滤波，粗频率补偿，精频率补偿后只改变了帧的幅值，并未改变帧的长度大小，经过时间同步后，首先对信号进行 I/Q对齐，即将OQPSK信号恢复成对应的QPSK信号，然后对信号进行插值恢复成连续的信号，最后在最佳采样点重新采样，此时信号的长度已经发生了改变，为我们定位原始信号中的导频带来了困难，为了解决这一问题，我们采取窗函数的方法对原始信号进行时间同步，窗函数的长度为一个帧的长度，即每次对一个帧进行导频检测，若未能检测出导频，说明此时窗口起点并非是一个帧的起点，下一步将窗口在原始信号中滑动一个样本点，直到目前帧中成功检测出了导频，下一次则直接滑动一个帧的长度，这样大大降低了算法的运算次数以及复杂度，同时，也解决了无法定位到原始信号中导频位置的问题，此时原始信号中的导频即为从当前帧窗口起点开始之后连续的128*4＝512个采样点，最后在提取导频过程中，我们每次传输1635个帧，最后能够提取出1635 个导频，提取率能够达到100％，图9给出了导频检测结果(浅色部分为原始信号，深色部分为导频部分)。

步骤105：计算所述导频信号的功率谱密度。

如前所述，第四步为计算导频信号的功率谱密度。检测出来的导频信号是时域上的信号，不同发射机之间的导频信号在时域上的区别并不明显，相关研究表明，发射机射频前端的功率放大器引入的非线性特性在频域的表现非常明显，因此本发明利用导频信号的功率谱密度作为射频指纹特征来区分不同的发射机，对于我们已经成功提取出的信号导频x_Preamble，其功率谱密度计算方法如下：

其中，N_FFT是快速傅里叶变换(Fast Fourier transform，FFT)变换点的长度。

步骤106：对所述功率谱密度进行分类。

如前所述，第五步，利用线性判别分析法(Linear Discriminant Analysis, LDA)对功率谱密度p(k)进行分类。

线性判别分析法是一种经典的特征降维算法，广泛的应用于机器学习的分类识别过程，在目标检测、人脸识别等领域取得了很好的分类效果。与支持向量机(Supportvectormachine，SVM)一样，LDA也是一种有监督学习算法，其输入是有标签的样本数据，LDA通过将样本数据投影到一个低维超平面来降低数据维度，投影后的数据要尽可能的满足同类数据的投影点相对集中，不同种类数据的类中心相对分散的要求，也就是类内方差最小，类间方差最大。

对于我们的导频信号功率谱密度数据集其中m表示样本种类，即发送设备个数，每种设备的样本集合用p_i表示，对应标签用y_i表示，第i类样本的均值记为μ_i，协方差矩阵记为ψ_i，样本中心在低维超平面上的投影记为ω^Tμ_i，样本在低维超平面上投影的协方差矩阵记为ω^Tψ_iω,要满足同类样本点尽可能聚集，异类样本点尽可能分散的要求即要满足尽可能小，尽可能大，因此LDA的目标函数可以记为

令表示为类内散度矩阵(within-class scatter matrix)，

S_b＝(μ_i-μ_j)(μ_i-μ_j)^T，表示为类间散度矩阵(between-class scatter matrix)。

因此，(4)式可以简写成

当我们找到最佳投影矩阵ω，使得目标函数J具有最小值后，就可以利用投影矩阵ω与我们的样本p相乘，得到投影后的样本点ω^Tp，然后比较其离所有类投影后的样本中心ω^Tμ_i的距离，取最小的那个作为分类结果：

为了验证本发明的可行性，我们进行实验平台搭建：

用于导频提取的设备包括11个ADALM-PLUTO软件定义无线电设备，其中10个作为发射设备，1个作为接收设备，同轴线数根。ADALM-PLUTO 是一款独立自足的便携式RF学习模块，RF频率范围从325MHz至3.8GHz，可调信道带宽从200KHz到20MHz，调制精度<＝-40dB，集成12位ADC(接收端)和DAC(发送端)，含有一个发射器和一个接收器，支持半双工或全双工。我们在采集数据时，每个设备一次发送10s的样本，每个样本包含16350 帧，因此每个设备含有16350个导频样本，为了方便计算，我们取16000个导频样本构建数据集。

实验结果分析

我们讨论了五种不同传输距离下的信号数据，分别是同轴线连接情况下， 0.1m、1m、5m和10m距离条件，每种距离条件下为每个设备采集了16000 个导频数据因此每种距离条件下的导频数据集包含10个设备的导频数据共 16000*10＝160000个导频数据。

在对10个不同的待识别设备进行分类识别之前，我们首先进行了一个预实验讨论了利用导频信号对设备进行分类的有效性。在10m的传输距离条件下，我们为每个设备选取了120个导频信号作为数据集，前80％作为训练集，后20％作为测试集，利用LDA有监督学习算法进行分类，然后我们从采集的信号中随机截取120段长度为512个样本点的数据段作为对比实验的数据集，按照同样的比例和方法划分为训练集与测试集，然后利用LDA有监督学习算法进行分类，最终分类结果如表2所示。

表2预实验分类结果

从分类结果可以看出，利用固定的导频数据进行分类识别效果比利用随机的数据进行分类要好，值得注意的是，在我们的实验中，每个设备发送数据时发送的数据帧都是一样的，因此即便是利用随机数据段进行分类精度也能达到 0.9542，但在实际的通信过程中，信号有效荷载通常是差距更大的随机信号，而且当引入了有效荷载中的设备身份信息时，分类结果会更容易受到非法设备的欺骗。

导频长度对分类精度的影响

Kenndy和Suski等人提出的导频提取算法由于不能准确提取出完整的信号导频部分，所提取的导频信号还包含了信号的一部分有效荷载，因此对于他们提取出的导频信号缩短长度会加大信号有效荷载对导频信号的影响，从而影响最终的设备识别率，图10展示了其他方法提取出来的不完整导频和本发明方法提取出来的完整导频缩短导频长度对分类精度影响的对比。原始信号中导频长度为512个采样点，讨论了512、256、128、64、32、16、8、4位不同导频信号长度对分类精度的影响，数据集大小选择全部导频数据集的1％，训练集与测试集之比是8：2。

根据分类结果可以看到，当导频长度设置为128位时，在各种距离条件下 LDA分类仍然能达到接近100％的分类准确率，继续缩短导频长度无论是完整导频还是不完整导频分类效果都会下降，这是因为随着导频长度的缩短，用于分类的导频数据所包含的设备指纹信息就会减少，当缩短到一定的程度，就会因为指纹信息太少而导致错误分类的情况发生，因此分类精度降低，而且当导频数据所包含的设备指纹信息减少后，受到信道指纹的影响也会增大，所以在导频长度缩短到128位以下后，同轴线连接情况由于受信道变化影响较小，因此分类精度下降速度和程度要比其他无线传输情况要好，由图10可以看出，导频长度缩短至128以下64以上时，分类性能开始发生急剧变化，因此我们进一步讨论了在128到64位导频长度区间内分类性能的变化情况，结果如图 11所示。根据分类结果可以看到，缩短导频长度对不完整导频的分类效果影响更大，当导频长度缩短至124位时，在10m传输距离下完整导频仍然能够达到96.00％的分类准确度，相比于不完整导频提高了6.56％，当导频长度缩短至96位时，在10m传输距离下完整导频仍然能够达到84.33％的分类准确度，相比于不完整导频提高了17.3％实际通信过程中，信号负载通常是各不相同的随机信号，因此如果在导频信号混入信号的有效负载，缩短导频长度对分类精度的影响更大。在保证分类精度的条件下，缩短导频长度能够降低分类算法的复杂度，当数据集大小为整个数据集的100％时，利用完整的导频进行分类需要花费时间5058.3s，而仅用124位导频进行分类只需要花费时间2304.5s，相比之下，算法运行速度提高了54.44％，表3给出了完整数据集下缩短导频长度对算法运行时间的影响结果。

表310m传输距离下缩短导频长度对算法运行时间

数据集大小对分类精度的影响

利用LDA有监督学习算法对10个设备进行分类时，我们讨论了不同数据集大小对最终分类精度的影响，训练集与测试集划分方法与前面一样，分类结果如图12所示。

根据最终的分类结果可以看到，利用LDA有监督学习算法对导频数据集进行分类识别时，对样本数据集大小要求不是很高，当数据集大小占整个导频数据集10％以下时，分类精度基本上能达到100％，当数据集大小达到整个数据集大小的40％后再增大数据集，同轴线连接和0.1m两种传输条件分类精度仍然保持在100％，但是1m、5m和10m三种传输条件下的精度开始下降，针对这种情况，我们认为是因为随着数据集的增大，训练集与测试集前后时间间隔变长，信道特征发生了变化，在无线传输过程中，由于多径效应和信道噪声的影响，会给信号引入信道指纹，因此LDA分类器记住的是信道指纹与设备指纹之和，当信道发生变化时，测试集的导频数据包含的信道指纹特征和训练集中的相比就已经发生了改变，因此导致了分类精度下降。

Kenndy等人提出的导频提取算法对8个相同型号设备发送的导频数据进行分类，在信噪比为30dB的条件下时能达到97％的分类准确率，在0dB条件下下降到66％。Suski等人提出的导频提取算法针对三个设备进行分类,当信噪比大于6dB时分类精度也仅有80％,在低信噪比时性能一般。本发明提出的导频提取算法能够将用于分类的导频数据长度缩减到124位，大大降低了分类算法计算量，在同轴线连接情况下对10个同一型号的Pluto设备进行分类，分类精度高达99.74％，在10m无线传输距离下也能够达到96.00％，相较于利用其他导频提取算法提取的不完整导频信号进行分类，精度提升了10.94％，而且当传输数据不一样时，这种提升会更大。

图13为本发明实施例基于信号导频的射频指纹识别系统结构示意图，如图13所示所述系统包括：

输入信号获取模块201，用于获取输入信号。

解调模块202，用于对所述输入信号进行解调。

导频的起始位置确定模块203，用于采用滑动窗口的函数方法在解调后的输入信号中定位导频的起始位置。

导频信号确定模块204，用于根据所述导频的起始位置确定信号导频部分，得到导频信号。

功率谱密度确定模块205，用于计算所述导频信号的功率谱密度。

分类模块206，用于对所述功率谱密度进行分类。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。