基于数据特征提取和深度学习的通信辐射源个体识别技术研究.pdfVIP

摘要

随着无线通信技术的广泛应用，用户与用户之间的交流不再受到时间和空间上的限制，

能够更加快速和便捷地实现自由沟通和信息资源共享。无线通信的开放性带来了无线设备安

全管控方面的需求。射频指纹(RadioFrequencyFingerprinting,RFF)基于射频器件在制备和生

产过程中产生的固有缺陷，具有唯一性和固有性，有难以克隆、伪造的优点。通过对信号中

所包含的射频指纹特征进行提取和识别，可以高效且安全地实现对无线通信辐射源的识别与

管控。

本文主要围绕通信辐射源个体识别技术，基于长期演进(LongTermEvolution,LTE)物理上

行共享信道(PhysicalUplinkSharedChannel,PUSCH)的解调参考信号(DemodulationReference

Signal,DMRS)展开了基于数据特征提取和深度学习的通信辐射源个体识别方法的研究。

论文研究了射频(RadioFrequency,RF)损伤对DMRS的影响，根据DMRS以ZC序列为

基序列的特点，提出了一种基于DMRS的特征提取方法，通过构造有显著理想特性的DMRS

一阶、二阶特征序列，将RF损伤对信号的影响转化为特征序列理想特性上的特定偏离，以显

著增强信号中所包含的通信辐射源RFF特征；提出了一种DMRS特征重构算法，利用特征序

列星座图中存在的近似映射关系，在最大化保留特征的同时，将不定长度的复数特征序列重

构为两组可指定长度的实数序列，以便于特征分类与识别。

论文提出了一种基于数据特征提取的DMRSRFF识别算法。该算法分别提取两组DMRS

特征重构项的特征分布参数，为每个用户终端(UserEquipment,UE)建立参考基准以供识别。

算法通过对输入待识别信号的特征重构项进行处理，计算出其在每个UE上的得分，输出最

终设备识别结果。基于实测信号对所提出算法进行了实验验证与分析。实验结果表明，在15

个混合品牌UE上的识别率达到79.7%。在不同品牌的5个UE上，算法在输入符号数为120

syms时能取得99.5%的识别率，识别性能良好。

论文提出了一种基于深度学习的DMRS个体识别方法。该方法设计了一个包含注意力机

制的多输入卷积神经网络，将两组DMRS特征重构项分别输入所设计的DMRS特征提取和

识别网络中进行进一步RFF特征提取和设备识别。基于实测信号对所提出算法进行了实验验

证与分析。当符号数为40syms时，该方法可以在15个UE上取得99.2%的优越的识别准确

率；在信噪比(SignaltoNoiseRatio,SNR)为−5dB时，仍能取得80%的识别准确率，对低信噪

比的信号有较好的适应性。

论文中对所提出的两种识别方法进行了实验对比与总结。基于数据特征提取的DMRS

RFF识别算法有着计算量小，占用内存小、所需数据量小、建立基准快的特点，因此适用于

识别场景变动频繁，或对内存或计算量限制严格，但对识别精度要求不高的场景，或可用于

其他识别方法的辅助识别。基于深度学习的DMRS个体识别方法识别性能优越，噪声容忍范

围大，因此适用于对识别准确率要求高，或是输入信号信噪低，但对内存或计算量限制不严

格，环境变动不频繁的场景。实际情况中需要根据应用场景和实际需求进行考虑和选择。

关键词：通信辐射源识别；射频指纹；深度学习；DMRS；特征提取

ABSTRACT

Withthewideapplicationofwirelesscommunicationtechnologies,thecommunications

betweenusersarenolongerlimitedbytimeorspace,andthefreecommunicationandinformation

resourcesharingcanberealizedmorequicklyandconveniently.Theinherentopennessofwireless

communicat