-
题名合作与欺骗信号共存下的CNN射频指纹识别方法
被引量：1
- 1
-
-
作者
张雅琪
杨春
刘友江
杨大龙
秋勇涛
-
机构
中国工程物理研究院电子工程研究所
-
出处
《太赫兹科学与电子信息学报》
2022年第12期1305-1310,共6页
-
基金
中国工程物理研究院院长基金资助项目(YZJJLX2017006)。
-
文摘
射频指纹是设备硬件的固有特征,与发射信号本身无关,因此常用于通信抗欺骗中。本文基于射频指纹的原理,采用神经网络对接收机所获得的原始信号样本进行处理,包括I/Q序列、幅度/相位、星座图的二值图和星座图的颜色密度图4种信号表现形式,达到抗欺骗效果。在信干噪比为-30~30 dB的情况下,信号的识别准确率最高可达99.93%。相较于现有文献,本文所提的基于深度学习的方法可适应不同信干噪比的通信场景,在欺骗信号与合法信号同时存在的复杂通信环境下实现抗欺骗。
-
关键词
抗欺骗
射频指纹
卷积神经网络
星座图
颜色密度图
-
Keywords
anti-spoofing
RF fingerprint
Convolutional Neural Network
constellation figure
color density figure
-
分类号
TN929.5
[电子电信—通信与信息系统]
-
-
题名基于星座图和卷积神经网络的射频指纹识别
被引量：2
- 2
-
-
作者
刘鑫尧
秋勇涛
皇甫雅帆
刘友江
-
机构
中国工程物理研究院电子工程研究所
-
出处
《太赫兹科学与电子信息学报》
2022年第5期458-463,共6页
-
文摘
基于无线设备物理层的射频指纹识别是保障通信安全的有效途径。传统射频特征提取方法容易受到信道的信噪比变化的干扰,难以适应动态信噪比下的通信场景。因此,本文提出了一种基于卷积神经网络的射频指纹识别方法,实现了动态信噪比下的射频指纹识别,显著改善了低信噪比下的识别准确率。本文通过搭建实验系统对4台不同功放设备进行识别,实验结果表明,在信噪比为0.5~14.5 dB范围内,该方法的综合识别率达89.4%。
-
关键词
卷积神经网络
深度学习
功放非线性
射频指纹
-
Keywords
Convolutional Neural Network
deep learning
Power Amplifier(PA)nonlinearity
RF fingerprint
-
分类号
TN510.501.5
[电子电信]
-
