1.一种基于多任务学习的射频指纹和通信协议的识别方法,其特征在于,包括如下步骤:
1)获取接收机端信号:将路由器产生的Wifi信号作为发射端信号,USRP作为接收端进行过采样接收;
2)信号预处理:将接收到的I/Q信号进行预处理,采用Matlab筛选出有用的数据,即假设接收到的数据是长度为L的序列,随机选取n段数据并如公式(1)所示计算平均功率Pn,根据信号波形选取阈值,若n段信号的平均功率均大于阈值,则记为有用信号X={x(0),x(1),…,x(L‑1)};如不大于阈值,则为无用信号,采用滑动窗口计数器的方式继续进行筛选:2
Pl=|f(t)| (1);
3)绘制复数序列{x(0),x(1),…,x(L‑1)}的差分星座轨迹图:过程如下:
3‑1)对信号进行能量归一化处理,目的是为了消除发送端设备的不同功率所产生的影响;
3‑2)假设发射机发射的基带信号为x(t)、发射机频率记为fc,那么发射信号的表达式如公式(2)所示:‑j2πfct
s(t)=x(t)e (2),
3‑3)假设接收机的载波频率为fR, 为接收所得信号的相位误差,令Δf=fR‑fc,则接收机进行下变频处理后所得信号记为y(t),y(t)的表达式如公式(3)所示:
3‑4)对y(t)运用公式(4)进行差分处理,差分间隔为m:* ‑j2πΔfm
W(t)=y(t)·y(t+m)=x(t)·x(t+m)e (4);
3‑5)将差分处理后的信号用Matlab自带的scatterplot函数绘制在复平面上;
3‑6)进行散点密度处理:依据所接收信号受不同无线通信协议和设备差异影响,绘制出的差分星座轨迹图形状和差分结果聚集区域偏移角度的不同,散点密度图会根据聚集的点数反应出不同的颜色;
4)制作神经网络的输入数据集,包括:
4‑1)将Matlab所得的7200张差分星座轨迹图制作为数据集,其中,5400张为训练集,
1800张为测试集;
4‑2)数据集进行多标签处理:将步骤4‑1)所得数据集中的每张图片标记为两个属性标签,即无线通信协议标签和辐射源标签;
4‑3)进行标签二值化处理:即将数据集标签二值化为[0 1 0…0]形式、图片大小尺寸修改为64×64;
5)多任务神经网络训练:采用硬共享方式,包括:
5‑1)采用硬共享方式搭建多任务卷积神经网络,并使用多标签方式训练多任务神经网络,即一个输入多个输出的形式;
5‑2)参照VGG16模型进行搭建:步骤5‑1)所述的硬共享方式中共有3个共享blocks,第一个block由2层64×3×3的卷积层组成;第二个block由2层128×3×3的卷积层组成;第三个block由3层256×3×3的卷积层构成,并采用大小为2×2的最大池化层;
5‑3)步骤5‑2)中,每一层conv层之后都采用BN层和dropout层,dropout参数为0.4,整个多任务神经网络训练均采用“relu”作为激活函数;
5‑4)步骤5‑2)中两个任务共享网络结构、参数、特征后,每个任务采用单独的网络层进行识别,其中,无线通信协议识别任务采用两层全连接层,第一层全连接层参数为1024,第二层参数为2,即对应识别的种类;
5‑5)辐射源识别任务与步骤5‑4)中的网络信息识别任务有所不同,辐射源识别任务第二层全连接层参数为6,即对应6类的辐射源;
5‑6)保存训练好的模型权重;
5‑6)无线通信协议识别任务和辐射源识别任务采用softmax分类器和交叉熵损失函数,即如公式(5)所示:其中,q为预测标签,p为真实标签;
5‑7)参数Batchsize的大小设定为20、优化器选择Adam优化器、学习率设置为0.0001;
6)将无线通信协议识别任务和辐射源识别两个任务的权重系数均设为1.0,网络的总损失为射频指纹识别任务和无线通信协议识别的损失之和,网络总损失对应公式(6):其中,k为任务的个数;
7)将训练好的多任务神经网络保存下来并进行射频指纹识别和无线通信协议识别。